WO2012020456A1 - 時系列データ処理装置及びその方法 - Google Patents

時系列データ処理装置及びその方法 Download PDF

Info

Publication number
WO2012020456A1
WO2012020456A1 PCT/JP2010/005045 JP2010005045W WO2012020456A1 WO 2012020456 A1 WO2012020456 A1 WO 2012020456A1 JP 2010005045 W JP2010005045 W JP 2010005045W WO 2012020456 A1 WO2012020456 A1 WO 2012020456A1
Authority
WO
WIPO (PCT)
Prior art keywords
time
series data
data
combination
analysis
Prior art date
Application number
PCT/JP2010/005045
Other languages
English (en)
French (fr)
Inventor
鈴木尚宏
Original Assignee
株式会社日立製作所
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 株式会社日立製作所 filed Critical 株式会社日立製作所
Priority to PCT/JP2010/005045 priority Critical patent/WO2012020456A1/ja
Priority to CN201080068167.1A priority patent/CN103003803B/zh
Priority to US13/813,574 priority patent/US20130290242A1/en
Priority to JP2012528518A priority patent/JPWO2012020456A1/ja
Publication of WO2012020456A1 publication Critical patent/WO2012020456A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • 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

Definitions

  • the present invention relates to a time-series data processing apparatus and method for processing time-series data generated from various sensors.
  • Patent Document 1 when analyzing a plurality of time-series data, considering that the sampling period of each time-series data is different for each data, missing data is extracted according to the sampling period of the plurality of time-series data.
  • a technique for complementing and storing the supplemented data is disclosed. Specifically, when time-series data is sampled at a 1-second or 2-second period, the time-series data of a 2-second period is supplemented with reference to the time-series data of a 1-second period, and each time-series data is Accumulate.
  • plant data is fetched at a predetermined data fetching period and written in the plant data table, plant data is fetched at a data recording period longer than the data fetching period, and is collected for each data recording period.
  • long-term search history information that includes the maximum, minimum, and average values of plant data for each plant data history information and save it in the long-term search history information table.
  • the present invention has been made in view of the problems of the prior art, and an object thereof is a time-series data processing apparatus and method capable of efficiently performing access to a plurality of time-series data to be analyzed. Is to provide.
  • the present invention combines a plurality of time-series data to be analyzed at the time of data accumulation, accumulates the combined plurality of time-series data in the storage unit in association with their attributes, and performs data analysis Sometimes, as time-series data used in the analysis, a combination of a plurality of time-series data is extracted from the storage unit based on the attribute.
  • FIG. 12 is a flowchart for explaining an analysis target ID / search target ID / acquisition target ID / acquisition target aggregated ID list creation process; It is a flowchart for demonstrating a data acquisition process. It is a flowchart for demonstrating the data extraction and analysis process by conditions and attributes. It is a block diagram which shows the whole block diagram of the computer system in 2nd Example. It is a block diagram of period aggregation information. It is a block diagram of a periodic buffer. It is a block diagram of attribute aggregation information. It is a block diagram of an attribute buffer. It is a block diagram of time aggregation information. It is a block diagram of a time buffer. It is a block diagram of an aggregation data table.
  • a combination of time series data generated in the same cycle is selected and selected as a combination of a plurality of time series data to be analyzed.
  • time series data related to predicted frequency and actual frequency
  • the aggregated sets of time-series data are stored in the storage unit in association with attributes (frequency), and used for analysis during data analysis
  • a combination of time series data generated in the same cycle is extracted from the storage unit.
  • FIG. 1 is a block diagram of a computer system to which the present invention is applied.
  • the computer system includes a time series data source 10, a client computer 12, a network 14, a time series data processing device 16, and an external storage device 18.
  • the time series data source 10, the client computer 12, and the time series data processing device 16 are connected to each other via a network 14, and the time series data processing device 16 is connected to an external storage device 18.
  • the time-series data source 10 is a sensor that detects various sensors, for example, temperature, humidity, voltage, current, power generation amount, power consumption, actual turbine vibration frequency, or a predicted vibration that generates a predicted value of turbine vibration. It is configured as a time series data generation source that outputs output signals from various sensors and predicted frequency generators as time series data to the network 14 according to the time axis.
  • the client computer 12 includes a processor, a memory, an input / output device, a storage device, a display device, and the like.
  • the client computer 12 issues an analysis query as an analysis request to the network 14 and transmits data from the time-series data processing device 16 to the network 14.
  • the received data is stored in the storage device as result data.
  • the time-series data processing device 16 includes a memory 20, a communication interface 22, an external storage interface 24, and a processor 26.
  • the memory 20, the communication interface 22, the external storage interface 24, and the processor 26 are connected to each other via an internal network 28.
  • the communication interface 22 is connected to the network 14, and the external storage interface 24 as a storage unit is connected to the external storage device 18.
  • a storage device as a storage unit may be arranged in the time series data processing device 16 and this storage device may be connected to the internal network 28.
  • the processor 26 performs overall control of the entire time-series data processing device 16 and executes various processes according to the time-series data processing program 30 stored in the memory 20.
  • the processor 26 functions as a data processing unit that sequentially inputs and processes the time-series data output from the time-series data source 10 and accesses the aggregated data table 32 stored in the external storage device 18. It functions as a data acquisition and analysis unit that acquires data from the aggregate data table 32 and analyzes the acquired data.
  • the time-series data processing program 30 includes a data storage unit 34, a data analysis unit 36, a data acquisition unit 38, and a setting information storage area 40.
  • the data storage unit 34 functions as a data processing unit, and includes a data reception unit 42, a data attribute aggregation unit 44, a data time aggregation unit 46, a feature point extraction unit 48, a data compression unit 50, and an aggregate data writing unit. 52, an attribute buffer 54, and a time buffer 56.
  • the data analysis unit 36 includes an analysis reception unit 60 and an analysis execution unit 62.
  • the data acquisition unit 38 includes a reading time zone narrowing unit 70, an aggregated data reading unit 72, a data decompressing unit 74, a data time extracting unit 76, a data narrowing unit 78, and a data attribute extracting unit 80.
  • the data analysis unit 36 and the data acquisition unit 38 function as a data acquisition analysis unit.
  • the setting information storage area 40 stores attribute aggregation information 90 and time aggregation information 92.
  • the data reception unit 42 of the data storage unit 34 is input when the time-series data output from the time-series data source 10 is input to the time-series data processing device 16 via the network 14 and the communication interface 22. Time series data is received sequentially along the time axis.
  • the data receiving unit 42 aggregates each time-series data with data attributes. To the unit 44.
  • the data attribute aggregating unit 44 combines a plurality of time-series data to be analyzed from the input time-series data, that is, a plurality of time-series data generated in the same period, and a plurality of time-series data combined, for example, prediction A combination of time series data related to the frequency and the actual frequency is combined, and a plurality of the combined time series data is aggregated in association with attributes related to each other, for example, the frequency (hereinafter also referred to as attribute aggregation).
  • the aggregated time series data is accumulated in the attribute buffer 54 as attribute aggregated data and is output to the data time aggregating unit 46.
  • the data time aggregation unit 46 collects and collects the input attribute aggregation data for a set time (set time) and processes it as time aggregation data. For example, the data time aggregating unit 46 aggregates the input attribute aggregated data in units of one hour, accumulates the time aggregated data in the time buffer 56, and outputs it to the feature point extracting unit 48.
  • the data attribute aggregation unit 44 combines time series data to be analyzed and a plurality of time series data generated in the same cycle, the combination of the time series data is selected one by one, and each selected A set of time-series data is collected and aggregated in units of one hour of the set time, and the aggregated sets of time-series data are accumulated in the time buffer 56 as time-aggregated data.
  • the feature point extraction unit 48 extracts the feature points from the input time aggregated data, and inputs the time aggregated data together with the extracted feature points, for example, the predicted maximum value, the predicted minimum value, the actual maximum value, and the actual minimum value. Is output to the data compression unit 50.
  • the data compression unit 50 compresses the time aggregation data output from the feature point extraction unit 48 and outputs the compressed data and the feature points output from the feature point extraction unit 48 to the aggregation data writing unit 52.
  • the aggregated data writing unit 52 writes the data output from the data compression unit 50 into the aggregated data table 32 of the external storage device 18 as aggregated data.
  • the analysis reception unit 60 of the data analysis unit 36 receives an analysis query from the client computer 12 when an analysis query issued from the client computer 12 is input via the network 14 and the communication interface 22, and receives the received analysis query.
  • the query is output to the data acquisition unit 38.
  • the analysis execution unit 62 executes the analysis specified by the analysis query based on the processing result of the data acquisition unit 38.
  • the read time zone narrowing unit 70 of the data acquisition unit 38 interprets the analysis query from the analysis reception unit 60, acquires the read time zone and search conditions specified in the analysis query, and reads the read time acquired from the aggregate data table 32.
  • the reading time zone is narrowed down based on the feature points of the zone and is output to the aggregated data reading unit 72.
  • the aggregate data reading unit 72 searches the aggregate data table 32 based on the read time zone narrowed down by the read time zone narrowing unit 70, and data (aggregation ID) belonging to the data aggregate time zone stored in the aggregate data table 32. , Data including feature points, time aggregation data, and the like) are output to the data decompression unit 74.
  • the data decompression unit 74 decompresses the time aggregation data output from the aggregate data reading unit 72 and outputs the decompressed time aggregation data to the data time extraction unit 76.
  • the data time extraction unit 76 extracts time aggregation data in the reading time zone from the time aggregation data decompressed by the data decompression unit 74, processes the extracted time aggregation data as attribute aggregation data, and narrows down the attribute aggregation data. It outputs to the part 78.
  • the data narrowing-down unit 78 narrows down and extracts attribute-aggregated data satisfying the search conditions specified in the analysis query from the attribute-aggregated data processed by the data time extracting unit 76, and extracts the attribute-aggregated data that has been narrowed down as data attributes. To the unit 80.
  • the data attribute extraction unit 80 extracts a plurality of time-series data (time-series data related to the predicted frequency and the actual frequency) having the attribute (frequency) to be analyzed from the attribute aggregated data narrowed down by the data narrowing-down unit 78. Extraction is performed at the same period, and a plurality of extracted time-series data is output to the analysis execution unit 62.
  • FIG. 2 shows the structure of the time series data management table.
  • the time-series data management table 100 is a table stored in the memory 20 of the time-series data processing device 16, for example, and includes a name 102, an attribute 104, a date and time 106, and a value 108. .
  • this time-series data management table 100 information about time-series data generated from the time-series data source 10 is sequentially stored.
  • the name 102 is “predicted value of turbine vibration”
  • the attribute 104 is “predicted vibration frequency”
  • the date and time 106 is “2010-05-01 07:00:00”
  • the value 108 is “ 24.3 "data”.
  • the name 102 is “watt checker”
  • the attribute 104 is “power consumption”
  • the date and time 106 is “2010-05-01 07:00:00”
  • the value 108 is “6.7”.
  • the time series data D4 has the name 104 as “power generation meter”, the attribute 104 as “power generation”, the date and time 106 as “2010-05-01 07:00:00”, value 108 is managed as data “240”.
  • the time series data D1 and D2 are time series data generated in the same cycle, and are managed as time series data D5 and D6 in the next generation cycle.
  • the time series data D3 and D4 are time series data generated at different periods, and the time series data D3 is generated every minute, and is managed as time series data D7 in the next generation period.
  • the time series data D4 is time series data generated in one hour cycle, and is managed as time series data D9 in the next generation cycle.
  • FIG. 3 shows a configuration of the attribute aggregation information 90 stored in the setting information storage area 40.
  • the attribute aggregation information 90 includes an aggregation ID 120 and an attribute 122.
  • the attribute 122 stores, for example, an “estimated frequency” as an attribute of time series data related to a predicted value of turbine vibration among a plurality of time series data to be analyzed, and an attribute of an actual value of turbine vibration.
  • the “actual frequency” shown is stored.
  • “frequency” which is an attribute indicated by the predicted frequency and the actual frequency and is an attribute related to each other is stored.
  • FIG. 4 shows the configuration of the attribute buffer 54.
  • the attribute buffer 54 includes an information storage area in a table format, and includes a date / time field 130, an attribute field 132, and a value field 134. Each entry in the date / time field 130 stores information on the date / time when a plurality of time-series data to be analyzed is acquired.
  • Each entry of the attribute field 132 stores, for example, “predicted frequency” and “actual frequency” as information regarding attributes of a plurality of time-series data to be analyzed.
  • Each entry of the value field 134 stores “15.2” as information on the value of each time series data, for example, the value of the time series data on the predicted frequency, and the value of the time series data on the actual frequency. , “24.3” is stored.
  • FIG. 5 shows the configuration of the time aggregation information 92 stored in the setting information storage area 40.
  • the time aggregation information 92 includes an aggregation ID 140 and a time aggregation data number 42.
  • the aggregation ID 140 stores, for example, “frequency” which is an attribute indicated by the predicted frequency and the actual frequency and is an attribute related to each other.
  • “3600” information is stored as the number for accumulating time series data for one hour.
  • FIG. 6 shows the configuration of the time buffer 56.
  • the time buffer 56 includes an information storage area in a table format, and includes an aggregation ID field 150, a data aggregation time zone field 152, and an attribute aggregation data field 154.
  • the entry of the data aggregation time zone field 152 stores information related to the time zone in which the time series data is aggregated.
  • time series data D1 and time series data D2 are combined, and the combined time series data D1 and D2 are aggregate IDs. Stored in association with “frequency”.
  • FIG. 7 shows the configuration of the aggregate data table 32 stored in the external storage device 18.
  • the aggregated data table 32 includes an aggregated ID field 160, a feature point field 162, a data aggregation time zone field 164, and a time aggregated data field 166.
  • each entry of the aggregation ID field 160 stores information on “frequency” that is an attribute obtained by aggregating the attributes indicated by the predicted frequency and the actual frequency.
  • Each entry of the feature point field 162 stores information on feature points of time-series data accumulated over one hour among a plurality of input time-series data. For example, the maximum value of the predicted frequency is stored as “predicted maximum value: 30”, the minimum value of the predicted frequency is stored as “predicted minimum value: 0”, and the maximum value of the actual frequency is "Maximum value: 40" is stored, and "Actual minimum value: 0" is stored as the minimum value of the actual frequency.
  • each time-series data is time-aggregated data, and information related to the data aggregation time zone when the data is collected is stored numerically together with information indicating the date.
  • each entry of the time aggregation data field 166 data related to time aggregation data aggregated in units of one hour is stored.
  • the time series data D1 and D2 are combined, the time series data D5 and D6 are combined, and the combined time series data D1, D2, D5, and D6 are associated with the “frequency” of the aggregation ID.
  • Each entry stores the combined time series data for one hour.
  • FIG. 8 shows a configuration related to the analysis query.
  • the analysis query 170 includes a selection range (select_range) 172, a selection item (select_items) 174, a data acquisition target time zone (from _timerange) 176, and a search condition (where_condition) 178.
  • “1 second” is stored in the selection range 172 as the timing of processing by the data analysis unit 36.
  • “predicted frequency ⁇ actual frequency AS deviation frequency” is stored as an analysis target ID for the analysis execution unit 62 to perform analysis.
  • This process starts when the processor 26 activates the data storage unit 34 of the time-series data processing program 30.
  • the data reception unit 42 when the data reception unit 42 receives time-series data from the time-series data source 10 via the communication interface 22, the data reception unit 42 sequentially passes the received time-series data to the data attribute aggregation unit 44. (S11).
  • the data attribute aggregation unit 44 sets the attributes of a plurality of time-series data having the same period among the received time-series data, for example, “predicted vibration frequency, actual vibration frequency” and the attribute 122 of the attribute aggregation information 90. If the attribute of each time-series data that is matched and received is “predicted frequency” or “actual frequency”, “frequency” is acquired as an aggregation ID corresponding to the attribute of each received time-series data ( S12) The received time-series data is accumulated in the attribute buffer 54 corresponding to the aggregate ID (frequency) (S13).
  • the data attribute aggregation unit 44 determines whether or not all attribute values at the same date and time exist in the attribute buffer 54 corresponding to the aggregation ID (S14). Returning to the processing, when it is determined that all the data exists, the data of all attributes having the same date and time are acquired from the attribute buffer 54 corresponding to the aggregate ID, and thereafter the data on the attribute buffer 54 is deleted (S15). .
  • the data attribute aggregation unit 44 performs attribute aggregation for combining all attribute data acquired from the attribute buffer 54 for each of a plurality of time-series data to be analyzed and associating with the aggregation ID.
  • a plurality of time-series data is processed as attribute aggregated data, and this attribute aggregated data is output to the data time aggregating unit 46 (S16).
  • the data time aggregating unit 46 receives the attribute aggregated data, accumulates this attribute aggregated data in the time buffer 56 (S17), and the number of data in the time buffer 56 is the number of time aggregated data 42 in the time aggregated information 92.
  • the number of data in the time buffer 56 is the number of time aggregated data 42 in the time aggregated information 92.
  • the process proceeds to the process of step S19, assuming that data for one hour has been collected.
  • step S19 the data time aggregating unit 46 acquires all the attribute aggregated data from the time buffer 56 corresponding to the aggregation ID (frequency), and then deletes the data on the time buffer 56.
  • the data time aggregation unit 46 aggregates all the collected attribute aggregation data as data for one hour, processes the attribute aggregation data as time aggregation data, and outputs the time aggregation data to the feature point extraction unit 48 (S20).
  • the feature point extraction unit 48 extracts “feature points” from the input time-aggregated data as values serving as the features, and outputs the time-aggregated data to the data compression unit 50 together with the extracted feature points (S21). ).
  • the data compression unit 50 compresses the input time aggregation data, and outputs the compressed data and feature points to the aggregation data writing unit 52 (S22).
  • the aggregated data writing unit 52 receives time aggregated data and feature point data, and receives the received time aggregated data and feature point data in the aggregated data table 32 of the external storage device 18 via the external storage interface 24. Writing (S23), the processing in this routine is terminated.
  • time aggregated data in units of one hour is stored in association with aggregated IDs (frequency) together with data of feature points and data aggregated time zones.
  • the aggregate data can be accumulated with a smaller amount of data than when the data is not compressed.
  • This process is started when the processor 26 activates the data analysis unit 36 and the data acquisition unit 38 of the time-series data processing program 30.
  • the analysis reception unit 60 receives the analysis query 170 (S31), and the data acquisition unit 38 executes analysis target ID / search target ID / acquisition target ID / acquisition target aggregation ID list creation processing (S32). Thereafter, the data acquisition unit 38 executes a data acquisition process (S33). Thereafter, the analysis execution unit 62 executes data extraction / analysis processing based on conditions / attributes (S34), and performs processing for transmitting data stored in an analysis result buffer (not shown) to the client computer 12 as result data. This is executed (S35), and the processing in this routine is terminated.
  • analysis target ID / search target ID / acquisition target ID / acquisition target aggregate ID list creation processing will be described with reference to the flowchart of FIG.
  • This process is a process performed in step S32 of FIG. 10.
  • the analysis receiving unit 60 creates an analysis target ID list from the selection items (select_items) 174 of the analysis query 70, and the analysis is performed in this list.
  • the predicted frequency and the actual frequency are written as the target ID (S41).
  • the analysis receiving unit 60 creates a search target ID list from the search condition (where_condition) 178 of the analysis query 170, and writes the predicted frequency as the search target ID in this list (S42).
  • the analysis receiving unit 60 creates an acquisition target ID list by combining the analysis target ID and the search target ID, and writes the predicted frequency and the actual frequency as the acquisition target ID in this list (S43).
  • the analysis accepting unit 60 starts loop processing of the acquisition target ID list from step S44 to step S48.
  • the data analysis accepting unit 60 matches the acquisition target ID with the attribute 122 of the attribute aggregation information 90, acquires “frequency” as the acquisition ID to be acquired (S45), and acquires the aggregation ID to be acquired. It is determined whether or not the “frequency” exists in the acquisition target aggregation ID list (S46). If it does not exist, the aggregation ID to be acquired is added to the acquisition target aggregation ID list (S47) and becomes the acquisition target. When the aggregation ID already exists in the acquisition target aggregation ID list, the processing in this routine is terminated.
  • the reading time zone narrowing unit 70 receives the acquisition target aggregated ID list from the analysis accepting unit 60 (S51), and based on the analysis query 170, the time zone of the data acquisition target time zone (from_timerange) 176 of the analysis query 170 For example, “07:20:00 to 08:40:00” is acquired as the data acquisition target time zone (S52).
  • the read time zone narrowing unit 270 uses the feature points of the aggregated data table 32 to narrow down the data acquisition time zone to the time zone where the data satisfying the search condition (where_condition) 178 of the analysis query 170 exists ( S53).
  • the read time zone narrowing-down unit 270 refers to the aggregated data table 32 in FIG. 7, and the time-series data having a predicted frequency of 40 or more does not exist in the first entry but exists only in the second entry. When doing so, the data acquisition target time zone is narrowed down from 7:20 to 8:40 to 8: 0 to 8:40.
  • the read time zone narrowing unit 70 outputs information on the narrowed data acquisition target time zone to the aggregated data read unit 72.
  • steps S54 to S58 a loop process of the acquisition target aggregation ID list is performed.
  • the aggregated data reading unit 72 refers to the aggregated data table 32, acquires aggregated data belonging to the narrowed data acquisition target time zone from the aggregated data table 32 as aggregated data related to the acquisition target aggregated ID, and acquires the aggregated data Data is output to the data decompression unit 74 (S55).
  • the data decompression unit 74 decompresses the input aggregated data and outputs the decompressed aggregated data to the data time extraction unit 76 (S56).
  • the data time extracting unit 76 refers to the time aggregated data number 42 of the time aggregated information 92 and extracts an attribute aggregated data list belonging to the narrowed data acquisition target time zone based on the time aggregated data number ( S57) The process in this routine is terminated on condition that all the processes related to the acquisition target aggregated ID list are completed.
  • This process is the process in step S34 of FIG. 10, and first, the data narrowing unit 78 acquires the data narrowing condition (predicted frequency is 40 or more) from the condition 178 of the analysis query 170 (S61). The attribute aggregation data list extracted by the time extraction unit 76 is acquired (S62).
  • steps S63 to S68 a loop process of the attribute aggregation data list is performed.
  • the data attribute extraction unit 78 analyzes the analysis target ID from the combination of the time series data (attribute aggregation data) narrowed down by the data narrowing unit 78.
  • the list data is extracted (S65). That is, one set of time series data relating to the predicted frequency and the actual frequency specified in the selection item 174 of the analysis query 170 is extracted from the attribute aggregated data as a plurality of time series data to be analyzed.
  • the data attribute extraction unit 80 outputs a combination of the extracted time series data to the analysis execution unit 62 as a plurality of time series data to be analyzed.
  • the analysis execution unit 62 executes the analysis specified by the selection item 174 of the analysis query 170 on the plurality of sets of time series data extracted by the data attribute extraction unit 80 (S66). That is, for a plurality of time-series data to be analyzed and having a predicted frequency of 40 or more, analysis is performed by subtracting the actual frequency from the predicted frequency to obtain the deviation frequency.
  • the analysis execution unit 62 accumulates each set of analysis results in an analysis result buffer (not shown) (S67), and ends the processing in this routine.
  • time series data generated in the same cycle is aggregated by attribute (frequency) and is aggregated in units of set time, a plurality of data generated in the same cycle is collected. Time series data can be accumulated efficiently.
  • the time series data used in the analysis can be obtained by accessing the aggregated data table 32 that stores a plurality of time series data based on the attribute (frequency) based on the attribute. Since the combination of the time series data generated in the same period is extracted from the aggregate data table 32, the time series data used in the analysis can be efficiently accessed and analyzed.
  • time series data time series data related to power generation and power consumption
  • time series data time series data related to power generation and power consumption
  • Multiple time-series data combinations are aggregated in a set time unit, and the aggregated time-series data is stored in the storage unit in association with attributes (power), and used for analysis during data analysis
  • a combination of time series data generated at different periods time series data relating to power generation amount and power consumption amount is extracted from the storage unit.
  • FIG. 14 shows the overall configuration of the second embodiment according to the present invention.
  • a data period aggregation unit 43 is arranged between the data reception unit 42 and the data attribute aggregation unit 44 of the data storage unit 34, and instead of the attribute buffer 54.
  • the attribute buffer 53 is arranged, the time buffer 55 is arranged instead of the time buffer 56, the period buffer 57 is arranged as a buffer managed by the data period aggregating unit 43, and the data attribute extracting unit 80 of the data acquiring unit 38 is arranged.
  • the attribute aggregation information 91 is arranged instead of the attribute aggregation information 90 in the setting information storage area 40, and the time aggregation information 93 is arranged instead of the time aggregation information 92, Periodic aggregate information 95 is newly arranged, and the aggregate data table 33 is stored in the external storage device 18 instead of the aggregate data table 32.
  • time-series data housed and time series data processing device 16 which has to process the time series data generated in different periods, and the other configuration is the same as the first embodiment.
  • the data period aggregating unit 43 generates, for example, one hour period in order to collectively process time series data having different generation periods as time series data for one hour among the time series data output from the data receiving unit 42.
  • time series data time series data relating to power generation amount
  • time series data time series data relating to power consumption
  • the series data and the time series data generated at a cycle of 1 minute are output to the data attribute aggregation unit 44, respectively.
  • the data attribute aggregating unit 44 combines a plurality of time-series data to be analyzed from the input time-series data, that is, a plurality of time-series data generated at different periods, and a plurality of time-series data combined, for example, power generation
  • the time-series data related to the amount and the time-series data related to the power consumption are combined, and a plurality of the combined time-series data are aggregated in association with the attributes related to each other, for example, power (hereinafter also referred to as attribute aggregation).
  • the aggregated time series data is accumulated in the attribute buffer 53 as attribute aggregated data and is output to the data time aggregating unit 46.
  • the data time aggregation unit 46 collects the input attribute aggregation data for a set time and processes it as time aggregation data. For example, the data time aggregation unit 46 aggregates the input attribute aggregation data in units of 24 hours, accumulates the time aggregation data in the time buffer 55, and outputs it to the feature point extraction unit 48.
  • the feature point extraction unit 48 extracts the feature points from the input time aggregation data, and outputs the input time aggregation data to the data compression unit 50 together with the extracted feature points.
  • the data compression unit 50 compresses the time aggregation data output from the feature point extraction unit 48 and outputs the compressed data and the feature points output from the feature point extraction unit 48 to the aggregation data writing unit 52.
  • the aggregated data writing unit 52 writes the data output from the data compression unit 50 into the aggregated data table 32 of the external storage device 18 as aggregated data.
  • the analysis reception unit 60 of the data analysis unit 36 receives an analysis query from the client computer 12 and outputs the received analysis query to the data acquisition unit 38 as in the first embodiment. Similar to the first embodiment, the analysis execution unit 62 executes the analysis defined by the analysis query based on the processing result of the data acquisition unit 38.
  • the reading time zone narrowing unit 70, the aggregated data reading unit 72, the data decompressing unit 74, the data time extracting unit 76, the data narrowing unit 78, and the data attribute extracting unit 80 of the data acquisition unit 38 are Perform processing related to series data.
  • the data attribute extracting unit 80 is a plurality of time-series data that are analysis target time-series data among the attribute-aggregated data narrowed down by the data narrowing-down unit 78 and whose aggregation ID is associated with power.
  • a combination of time-series data related to one power generation amount and time-series data related to 60 power consumptions is extracted for each analysis target, and a plurality of extracted time-series data are analyzed. To 62.
  • FIG. 15 shows a configuration of the period aggregation information 95.
  • the period aggregation information 95 includes an attribute 200 and a period aggregation data number 202.
  • the attribute 200 for example, “power generation amount” and “power consumption” are stored as attributes relating to time-series data to be analyzed.
  • the period aggregated data number 202 for example, “1” is stored corresponding to the amount of power generation and “60” corresponding to the power consumption, as the number of data necessary for performing analysis in units of one hour. Is stored. This is because, when analyzing the power difference per hour, one data is used as the power generation amount, and 60 data is used as the power consumption generated per minute.
  • FIG. 16 shows the configuration of the periodic buffer 57.
  • the periodic buffer 57 has an information storage area configured in a table format, and includes a date / time field 210, an attribute field 212, and an accumulated data field 214.
  • each entry of the date / time field 210 information on the date / time when data is accumulated in the cycle buffer 57 is stored numerically together with the date.
  • the attribute field 212 for example, “power generation amount” or “power consumption” information is stored as an attribute of the time-series data accumulated in the periodic buffer 57.
  • Each entry of the accumulated data field 214 stores the value of time series data (accumulated data) accumulated in the period buffer 57.
  • “240” is stored as the value of the time series data D4 in FIG. 2 corresponding to the power generation amount, and as the value of the time series data D3, D7, D8 in FIG. “6.7”, “7.1”, and “12.4” are stored.
  • FIG. 17 shows a configuration of the attribute aggregation information 91.
  • the attribute aggregation information 91 includes an aggregation ID 220 and an attribute 222.
  • the attribute 222 stores, for example, “power generation amount” and “power consumption” as attributes of time-series data generated at different periods.
  • the aggregation ID 220 is an attribute indicating the power generation amount and the power consumption amount stored in the attribute 222, and “power” is stored as an attribute related to each other.
  • FIG. 18 shows the configuration of the attribute buffer 53.
  • the attribute buffer 53 includes an information storage area in a table format, and includes a periodic aggregation time zone field 230, an attribute field 232, and a periodic aggregation data field 234.
  • each entry of the periodic aggregation time zone field 230 information related to the periodic aggregation time zone in units of one hour is stored.
  • the attribute field 232 for example, “power generation amount” and “power consumption” are stored as attributes of a plurality of time series data to be analyzed.
  • Each entry of the periodic aggregated data field 234 stores, for example, one value of the power generation amount corresponding to the power generation amount, and the value of the power consumption collected in one minute cycle corresponding to the power consumption amount. 60 values are stored.
  • FIG. 19 shows the structure of the time aggregation information 93.
  • the time aggregation information 93 includes an aggregation ID 240 and a time aggregation data number 242.
  • aggregation ID 240 for example, “power” is stored as an attribute associated with “power generation” and “power consumption”.
  • time aggregation data number 242 for example, “24” is stored in order to aggregate the power data in units of 24 hours.
  • FIG. 20 shows the configuration of the time buffer 55.
  • the time buffer 55 includes a data aggregation time zone 250 and attribute aggregation data 252.
  • data aggregation time zone 250 information related to a time zone in which data is aggregated is stored as information in units of 24 hours.
  • the attribute aggregated data 252 collectively stores hourly data. For example, in the case of the time series data of FIG. 2, the time series data D4, D3, D7,..., D8 are stored as data for one hour to be analyzed.
  • FIG. 21 shows the configuration of the aggregated data table 33.
  • the aggregate data table 33 includes an information storage area in a table format, and is composed of an aggregate ID field 260, a feature point field 262, a data aggregation time zone field 264, and a time aggregate data field 266.
  • each entry of the aggregation ID field 260 for example, “power” is stored as an attribute that aggregates the power generation amount and the power consumption amount.
  • Each entry of the feature point field 262 stores information on feature points of time-series data collected every 24 hours. For example, “maximum power generation value: 300” is stored as the maximum value of power generation, and “minimum power generation value: 200” is stored as the minimum value of power generation. Further, “maximum power consumption value: 10” is stored as the maximum value of power consumption, and “minimum power consumption value: 5” is stored as the minimum value of power consumption.
  • each entry of the data aggregation time zone field 264 for example, information on the data aggregation time zone for acquiring the power generation amount and the power consumption amount for 24 hours is stored.
  • time aggregation data field 266 a value related to data periodically aggregated in units of one hour is stored as data for 24 hours.
  • FIG. 22 shows the structure of the analysis query 270.
  • the analysis query 270 includes a selection range (select_range) 272, a selection item (select_items) 274, a data acquisition target time zone (from_timerange) 276, and a search condition (where_condition) 278.
  • selection range (select_range) 272 1 hour is stored as a processing time unit for the data analysis unit 36 to analyze the data.
  • selection item (select_items) 274 for example, a power generation amount ⁇ SUM (power consumption) AS power difference is stored as the analysis target ID.
  • This process is started when the processor 26 activates the data storage unit 34 of the time-series data processing program 30.
  • the data reception unit 42 receives the time-series data output from the time-series data source 10 via the network 14 and the communication interface 22, and passes the received time-series data to the data period aggregation unit 43 (S71).
  • the data period aggregation unit 43 sequentially accumulates the input time-series data in the period buffer 57 (S72), and the number of accumulated data in the period buffer 57 is defined by the period aggregation data number 202 of the period aggregation information 95. (S73), and if the number of data stored in the period buffer 57 does not exceed the number defined by the period aggregated data number 202, the process returns to step S71. When the number of data stored in the period buffer 57 exceeds the number defined by the period aggregated data number 202, the process proceeds to step S74.
  • step S73 the data cycle aggregating unit 43 determines whether or not one piece of time series data relating to the amount of power generation has been accumulated in the process of sequentially storing the input time series data in the cycle buffer 57, and the power consumption. It is determined whether or not the number of time-series data related to the quantity has reached 60.
  • the data cycle aggregation unit 43 acquires from the cycle buffer 57 the accumulated data (data including one time-series data related to power generation and 60 time-series data related to power consumption) accumulated in the cycle buffer 57. Thereafter, the data in the cycle buffer 57 is deleted (S74), the cycle aggregation for collecting the accumulated data acquired from the cycle buffer 57 as one-hour cycle data is executed, and the cycle-aggregated data (related to the power generation amount) The data including the time series data and the time series data regarding the power generation amount) is output to the data attribute aggregation unit 44 (S75).
  • the data attribute aggregation unit 44 receives the periodic aggregated data, sequentially accumulates this periodic aggregated data in the attribute buffer 53 corresponding to the aggregate ID (S76), and stores it in the attribute buffer 53 corresponding to the aggregate ID at the same date and time. It is determined whether or not there is periodic aggregated data of all attributes (power generation amount and power consumption amount) (S77), and when it is determined that all the items do not exist, the process returns to step S71 and all are present. If it is determined that the period is aggregated, periodic aggregated data of all attributes (power generation amount and power consumption amount) of the same date and time is acquired from the attribute buffer 53 corresponding to the aggregation ID, and then the data on the attribute buffer 53 is deleted. (S78).
  • the data attribute aggregation unit 44 combines the period aggregation data of all the attributes (power generation amount and power consumption amount) acquired from the attribute buffer 53 for each of a plurality of time series data to be analyzed, thereby combining the aggregation ID (power ) Is associated, and a plurality of combined time-series data is processed as attribute aggregated data, and this attribute aggregated data is output to the data time aggregating unit 46 (S79).
  • the data time aggregation unit 46 receives the attribute aggregation data, sequentially accumulates the attribute aggregation data in the time buffer 55 (S80), and the number of attribute aggregation data accumulated in the time buffer 55 is the time aggregation information 93. It is determined whether or not the number stored in the time aggregated data number 242 exceeds 24, for example, 24 (S81), and when the number of attribute aggregated data in the time buffer 55 does not exceed the time aggregated data number 24. In order to collect the attribute aggregated data for the time, the process returns to the process of step S71. When the number of attribute aggregated data in the time buffer 55 exceeds the number of time aggregated data, the attribute aggregated data for 24 hours is collected. Then, the process proceeds to step S82.
  • step S82 the data time aggregation unit 46 acquires all the attribute aggregation data from the time buffer 55 corresponding to the aggregation ID (power), and then deletes the data (attribute aggregation data) on the time buffer 55. To do.
  • the data time aggregation unit 46 executes time aggregation for collecting all the acquired attribute aggregation data as data for 24 hours, processes the time-aggregated attribute aggregation data as time aggregation data, and performs time aggregation. Data is output to the feature point extraction unit 48 (S83).
  • the feature point extraction unit 48 extracts “feature points” as the values that are the features from the input time aggregated data, and outputs the time aggregated data together with the extracted feature points to the data compression unit 50 (S84). ).
  • the data compression unit 50 compresses the input time aggregated data, and outputs the compressed data and feature points to the aggregated data writing unit 52 (S85).
  • the aggregated data writing unit 52 receives time aggregated data and feature point data, and receives the received time aggregated data and feature point data in the aggregated data table 33 of the external storage device 18 via the external storage interface 24.
  • Write (S86) the processing in this routine is terminated.
  • the time aggregated data in units of 24 hours is stored in association with the aggregated ID (power) together with the feature points and the data aggregated time zone data.
  • This process is executed by the data analysis unit 36 and the data acquisition unit 38.
  • the analysis reception unit 60 receives the analysis query 270 issued from the client computer 12 (S91), and then the data acquisition unit 38 An acquisition target ID / search condition ID / acquisition target ID / acquisition target aggregate ID list creation process is executed (S92).
  • the data acquisition unit 38 executes data acquisition processing (S93), and thereafter, the analysis execution unit 62 executes data extraction / analysis processing based on conditions / attributes / cycles (S94).
  • the execution unit 62 transmits the result data accumulated in the analysis result buffer to the client computer 12 (S95), and ends the processing in this routine.
  • the acquisition target ID / search condition ID / acquisition target ID / acquisition target aggregate ID list creation process in step S92 is the same as the process in FIG. 11 except that the process is based on the analysis query 270. Since the data acquisition process in step S93 is the same as the process in FIG. 12 except for the process based on the analysis query 270, the description thereof is omitted.
  • loop processing based on the attribute aggregation data list is performed in steps S103 to S109.
  • the data refinement unit 78 determines whether or not a data refinement condition is satisfied for the acquired attribute aggregated data (S104). That is, it is determined whether there is a power generation amount of 250 or more in the attribute aggregated data. If there is a power generation amount of 250 or more, the process proceeds to step S105, and the power generation amount is 250 or more. If not, the process proceeds to step S109.
  • step S105 the data attribute extraction unit 80 extracts attribute aggregation data of the analysis target ID list from the attribute aggregation data. That is, the data attribute extraction unit 80 generates attribute aggregated data defined in the selection item 274 of the analysis query 270, for example, one piece of time series data relating to power generation amount and one piece of time series data relating to power consumption for one hour. Attribute aggregation data including 60 pieces of data is extracted.
  • the data cycle extraction unit 82 acquires data of the analysis query 270 based on the number of data (power generation amount: 1, power consumption amount: 60) defined by the cycle aggregated data number 202 of the cycle aggregate information 95.
  • Data in the target time zone (from_timerange) 276 (data accumulated between 7: 00: 07: 00 and 17:00:00) is extracted (S106).
  • the analysis execution unit 62 performs an analysis on the selection items (select_items) 274 of the analysis query 270 with respect to the data extracted by the data cycle extraction unit 82.
  • the selection item (select_items) 274 is “power generation amount ⁇ SUM (power consumption) AS power difference”
  • the calculation for calculating the power difference is performed by subtracting the power consumption amount for one hour from the power generation amount. To do.
  • the analysis execution unit 62 accumulates the analysis results in an analysis result buffer (not shown) (S108), and terminates the processing in this routine on condition that the processing related to all attribute aggregated data lists has been executed. To do.
  • a plurality of time series data generated at different periods are aggregated by attribute (power) and aggregated at a set time unit.
  • Series data can be accumulated efficiently.
  • the time series data used in the analysis is different by accessing the aggregated data table 33 in which a plurality of time series data is accumulated based on the attribute (power) based on the attribute. Since a combination of time series data generated in a cycle is extracted from the aggregate data table 33, it is possible to efficiently access and analyze a plurality of time series data used in the analysis.
  • time series data source 10 time series data source, 12 client computer, 14 network, 16 time series data processing device, 18 external storage device, 20 memory, 26 processor, 30 time series data processing program, 32 aggregated data table, 34 data storage unit, 36 data Analysis unit, 38 data acquisition unit, 40 setting information storage area, 42 data reception unit, 43 data cycle aggregation unit, 44 data attribute aggregation unit, 46 data time aggregation unit, 48 feature point extraction unit, 50 data compression unit, 52 aggregation Data writing part, 60 Analysis receiving part, 62 Analysis execution part, 70 Reading time zone narrowing part, 72 Aggregated data reading part, 74 Data decompression part, 76, Data time extracting part, 78 Data narrowing part, 80 Data attribute extracting part, 82 Data cycle extractor. *

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

解析対象となる複数の時系列データに対するアクセスを効率的に行うために、データ蓄積部は、データ蓄積時に、時系列データソース１０からの時系列データのうち、解析対象となる時系列データであって、同一周期で発生する時系列データの組み合わせとして、予測振動数と実績振動数に関する時系列データを選択し、選択した時系列データの組み合わせを１時間単位で集約し、集約した複数組の時系列データを属性（振動数）に対応付けて集約データテーブルに蓄積し、データ解析部は、データ解析時に、属性を基に集約データテーブルをアクセスして、解析で用いる時系列データとして、予測振動数と実績振動数に関する時系列データの組み合わせを抽出し、抽出した時系列データを基に予測振動数と実績振動数との差である乖離振動数を求める。

Description

時系列データ処理装置及びその方法
　本発明は、各種センサなどから発生する時系列データを処理する時系列データ処理装置及びその方法に関するものである。
　従来、計算機システム等において、各種センサの検出によるデータを時系列データとして取り込み、取り込んだ時系列データを用いて解析、制御などの処理が行われている。例えば、様々な場所で採取された複数の時系列データを集めて解析するものが提案されている（特許文献１参照）。
特許文献１には、複数の時系列データを解析する場合、各時系列データのサンプリング周期がデータ毎に異なっていることを考慮し、複数の時系列データのサンプリング周期に応じて、抜けデータを補完し、補完されたデータを蓄積する技術が開示されている。具体的には、１秒周期または２秒周期で時系列データがサンプリングされる場合、１秒周期の時系列データを基準に、２秒周期の時系列データを補完して、各時系列データを蓄積するものである。
　また、長期間のプラントデータを高速且つ効率的に表示するに際して、プラントにおいて大量に発生する長期間のデータに対して、効率良く検索し、プラントデータの傾向監視や異常値監視を行うようにしたものが提案されている（特許文献２参照）。
　特許文献２には、プラントデータを所定のデータ取り込み周期で取り込んでプラントデータテーブルに書き込み、データ取り込み周期よりも長いデータ収録周期でプラントデータを取り込んでデータ収録周期毎に纏めてプラントデータ履歴情報テーブルに保存し、プラントデータ履歴情報毎のプラントデータの最大値や最小値および平均値を含む長期検索用履歴情報を作成して長期検索用履歴情報テーブルに保存し、データを表示するときに、いずれかのテーブルに対してデータ検索を行い、検索したデータの内容を表示装置にグラフで表示する技術が開示されている。
特開２００３－４４５１８号公報 特開２０１０－４９５３３号公報
　特許文献１のものは、時系列データを短い方のサンプリング周期に合わせて補完しているため、時系列データのサンプリング周期がデータ毎に異なっている場合でも、時系列データを正確に解析することができる。しかし、時系列データを蓄積する際、短い方の周期に合わせて蓄積しているので、蓄積データ量が増大することになり、複数の時系列データを効率的に蓄積することが困難となる。
　また、特許文献２のものでは、一定周期毎に各時系列データに対する平均値や最大値または最小値を算出しているため、複数の時系列データを用いて解析する必要がある場合、例えば、複数の時系列データの差（最大値と最小値の差等）を求める演算を必要とする場合、時系列データを個々にアクセスして、各時系列データの値を求めなければならず、複数の時系列データに対し効率的にアクセスすることができない。
　本発明は、前記従来技術の課題に鑑みて為されたものであり、その目的は、解析対象となる複数の時系列データに対するアクセスを効率的に行うことができる時系列データ処理装置及びその方法を提供することにある。
前記目的を達成するために、本発明は、データ蓄積時に、解析対象となる複数の時系列データを組み合わせ、組み合わせた複数の時系列データをその属性に対応付けて記憶部に蓄積し、データ解析時に、解析で用いる時系列データとして、前記属性を基に複数の時系列データの組み合わせを記憶部から抽出することを特徴とするものである。
　本発明によれば、解析で用いる複数の時系列データを効率的にアクセスして解析することができる。
本発明が適用された計算機システムの全体構成を示すブロック図である。 時系列データ管理テーブルの構成図である。 属性集約情報の構成図である。 属性バッファの構成図である。 時間集約情報の構成図である。 時間バッファの構成図である。 集約データテーブルの構成図である。 解析クエリの構成図である。 時系列データ蓄積処理を説明するためのフローチャートである。 時系列データ解析処理を説明するためのフローチャートである。 解析対象ID・検索対象ID・取得対象ID・取得対象集約IDリスト作成処理を説明するためのフローチャートである。 データ取得処理を説明するためのフローチャートである。 条件・属性によるデータ抽出・解析処理を説明するためのフローチャートである。 第２実施例における計算機システムの全体構成図を示すブロック図である。 周期集約情報の構成図である。 周期バッファの構成図である。 属性集約情報の構成図である。 属性バッファの構成図である。 時間集約情報の構成図である。 時間バッファの構成図である。 集約データテーブルの構成図である。 解析クエリの構成図である。 時系列データ蓄積処理を説明するためのフローチャートである。 時系列データ解析処理を説明するためのフローチャートである。 条件・属性・周期によるデータ抽出・解析処理を説明するためのフローチャートである。
本実施例は、データ蓄積時に、解析対象となる複数の時系列データの組み合わせとして、同一周期で発生する時系列データの組み合わせ（予測振動数と実績振動数に関する時系列データ）を選択し、選択した時系列データの組み合わせを複数組纏めて設定時間単位で集約し、集約した複数組の時系列データを属性（振動数）に対応付けて記憶部に蓄積し、データ解析時に、解析で用いる時系列データとして、同一周期で発生する時系列データの組み合わせ（予測振動数と実績振動数に関する時系列データ）を記憶部から抽出するものである。
　以下、本発明の一実施形態を図面に基づいて説明する。
　図１は、本発明が適用された計算機システムのブロック構成図である。図１において、計算機システムは、時系列データソース１０と、クライアント計算機１２と、ネットワーク１４と、時系列データ処理装置１６と、外部記憶装置１８を備えて構成されている。時系列データソース１０とクライアント計算機１２および時系列データ処理装置１６は、ネットワーク１４を介して互いに接続され、時系列データ処理装置１６は、外部記憶装置１８に接続されている。
　時系列データソース１０は、各種センサ、例えば、温度、湿度、電圧、電流、発電量、電力消費量、タービンの実績振動数などを検出するセンサあるいは、タービン振動の予測値などを発生する予測振動数発生器などを備え、各種センサや予測振動数発生器などの出力信号を時系列データとして、時間軸に従ってネットワーク１４に出力する時系列データ発生源として構成される。
　クライアント計算機１２は、プロセッサ、メモリ、入出力装置、記憶装置、表示装置などを有し、解析要求としての解析クエリをネットワーク１４に発行するとともに、時系列データ処理装置１６からのデータを、ネットワーク１４を介して受信し、受信したデータを結果データとして記憶装置に格納する。
　時系列データ処理装置１６は、メモリ２０、通信インタフェース２２、外部記憶インタフェース２４、プロセッサ２６から構成され、メモリ２０と通信インタフェース２２と外部記憶インタフェース２４およびプロセッサ２６が、内部ネットワーク２８を介して互いに接続され、通信インタフェース２２が、ネットワーク１４に接続され、記憶部としての外部記憶インタフェース２４が、外部記憶装置１８に接続されている。なお、外部記憶装置１８の代わりに、時系列データ処理装置１６に、記憶部としての記憶装置を配置し、この記憶装置を内部ネットワーク２８に接続する構成とすることもできる。
　プロセッサ２６は、時系列データ処理装置１６全体を統括制御し、メモリ２０に格納された時系列データ処理プログラム３０に従って各種の処理を実行する。
　この際、プロセッサ２６は、時系列データソース１０から出力される時系列データを順次入力して処理するデータ処理部として機能するとともに、外部記憶装置１８に格納された集約データテーブル３２をアクセスして、集約データテーブル３２からデータを取得し、取得したデータを解析するデータ取得解析部として機能する。
　時系列データ処理プログラム３０は、データ蓄積部３４と、データ解析部３６と、データ取得部３８と、設定情報格納領域４０から構成される。
　データ蓄積部３４は、データ処理部として機能し、データ受付部４２と、データ属性集約部４４と、データ時間集約部４６と、特徴点抽出部４８と、データ圧縮部５０と、集約データ書込み部５２と、属性バッファ５４と、時間バッファ５６から構成される。
　データ解析部３６は、解析受付部６０と、解析実行部６２から構成される。
　データ取得部３８は、読込み時間帯絞込み部７０と、集約データ読込み部７２と、データ解凍部７４と、データ時間抽出部７６と、データ絞込み部７８と、データ属性抽出部８０から構成される。この際、データ解析部３６とデータ取得部３８は、データ取得解析部として機能する。　
　設定情報格納領域４０は、属性集約情報９０と、時間集約情報９２を格納する。
　データ蓄積部３４のデータ受付部４２は、時系列データソース１０から出力される時系列データが、ネットワーク１４と、通信インタフェース２２を介して時系列データ処理装置１６に入力された場合、入力された時系列データを時間軸に従って順次受け付ける。このデータ受付部４２は、時系列データとして、同一周期で発生する時系列データとして、予測振動数に関する時系列データと実績振動数に関する時系列データを受け付けたときには、各時系列データをデータ属性集約部４４に出力する。
　データ属性集約部４４は、入力した時系列データのうち解析対象となる複数の時系列データ、即ち、同一周期で発生する複数の時系列データを組み合わせ、組み合わせた複数の時系列データ、例えば、予測振動数と実績振動数に関する時系列データを組み合わせ、組み合わせた複数の時系列データを、互いに関連する属性、例えば、振動数に対応付けて集約（以下、属性集約と称することもある。）し、集約された時系列データを属性集約データとして、属性バッファ５４に蓄積するとともに、データ時間集約部４６に出力する。
　データ時間集約部４６は、入力した属性集約データを、設定された時間（設定時間）分だけ纏めて収集して時間集約データとして処理する。例えば、データ時間集約部４６は、入力された属性集約データを１時間単位で集約して時間集約データとして、時間バッファ５６に蓄積するとともに、特徴点抽出部４８に出力する。
すなわち、データ属性集約部４４が、解析対象となる時系列データであって、同一周期で発生する複数の時系列データを組み合わせた場合、時系列データの組み合わせを1組ずつ選択し、選択した各組の時系列データを、設定時間の１時間単位で纏めて集約し、集約した複数組の時系列データを時間集約データとして時間バッファ５６に蓄積する。
　特徴点抽出部４８は、入力した時間集約データから、その特徴点を抽出し、抽出した特徴点、例えば、予測最大値、予測最小値、実績最大値、実績最小値とともに、入力した時間集約データをデータ圧縮部５０に出力する。
　データ圧縮部５０は、特徴点抽出部４８から出力された時間集約データを圧縮し、圧縮したデータと特徴点抽出部４８から出力された特徴点を集約データ書込み部５２に出力する。
　集約データ書込み部５２は、データ圧縮部５０から出力されるデータを集約データとして、外部記憶装置１８の集約データテーブル３２に書き込む。
　データ解析部３６の解析受付部６０は、クライアント計算機１２から発行される解析クエリが、ネットワーク１４と、通信インタフェース２２を介して入力された場合、クライアント計算機１２からの解析クエリを受け付け、受け付けた解析クエリをデータ取得部３８に出力する。解析実行部６２は、データ取得部３８の処理結果を基に解析クエリで規定された解析を実行する。
　データ取得部３８の読込み時間帯絞込み部７０は、解析受付部６０からの解析クエリを解釈し、解析クエリに規定された読込み時間帯と検索条件を取得し、集約データテーブル３２から取得した読込み時間帯の特徴点を基に読込み時間帯を絞込み、集約データ読込み部７２に出力する。
　集約データ読込み部７２は、読込み時間帯絞込み部７０で絞り込まれた読込み時間帯を基に集約データテーブル３２を検索し、集約データテーブル３２に格納されているデータ集約時間帯に属するデータ（集約ＩＤ、特徴点、時間集約データなどを含むデータ）をデータ解凍部７４に出力する。
　データ解凍部７４は、集約データ読込み部７２から出力された時間集約データを解凍し、解凍した時間集約データをデータ時間抽出部７６に出力する。
　データ時間抽出部７６は、データ解凍部７４で解凍された時間集約データのうち読込み時間帯の時間集約データを抽出し、抽出した時間集約データを属性集約データと処理し、属性集約データをデータ絞込み部７８に出力する。
　データ絞込み部７８は、データ時間抽出部７６で処理された属性集約データの中から解析クエリに規定された検索条件を満たす属性集約データを絞り込んで抽出し、絞り込まれた属性集約データをデータ属性抽出部８０に出力する。
　データ属性抽出部８０は、データ絞込み部７８により絞り込まれた属性集約データの中から解析対象の属性（振動数）を有する複数の時系列データ（予測振動数と実績振動数に関する時系列データ）を同一周期毎に抽出し、抽出した複数の時系列データを解析実行部６２に出力する。
　次に、図２に、時系列データ管理テーブルの構成を示す。
　図２において、時系列データ管理テーブル１００は、例えば、時系列データ処理装置１６のメモリ２０に格納されるテーブルであって、名前１０２と、属性１０４と、日時１０６と、値１０８から構成される。この時系列データ管理テーブル１００には、時系列データソース１０から発生する時系列データに関する情報が順次格納される。
　例えば、時系列データD１は、名前１０２が、「タービン振動の予測値」で、属性１０４が、「予測振動数」、日時１０６が、「２０１０－０５－０１　０７：００：００」、値１０８が、「１５．２」のデータとして管理される。時系列データD２は、名前１０２が、「タービン振動の実績値」、属性１０４が、「実績振動数」、日時１０６が、「２０１０－０５－０１　０７：００：００」、値１０８が、「２４．３」のデータとして管理される。
　時系列データD３は、名前１０２が、「ワットチェッカー」、属性１０４が「電力消費量」、日時１０６が、「２０１０－０５－０１　０７：００：００」、値１０８が、「６．７」のデータとして管理され、時系列データD４は、名前１０４が、「発電量計測器」、属性１０４が、「発電量」、日時１０６が、「２０１０－０５－０１　０７：００：００」、値１０８が、「２４０」のデータとして管理される。
　時系列データD１、D２は、同一周期で発生する時系列データであって、次の発生周期には、時系列データD５、D６として管理される。
　時系列データD３、D４は、互いに異なる周期で発生する時系列データであって、時系列データD３は、１分毎に発生し、次の発生周期では、時系列データD７として管理される。時系列データD４は、１時間周期で発生する時系列データであって、次の発生周期では、時系列データD９として管理される。
　次に、図３に、設定情報格納領域４０に格納される属性集約情報９０の構成を示す。
　図３において、属性集約情報９０は、集約ID１２０と属性１２２から構成される。属性１２２には、例えば、解析対象となる複数の時系列データのうちタービン振動の予測値に関する時系列データの属性として、「予測振動数」が格納されるとともに、タービン振動の実績値の属性を示す「実績振動数」が格納される。集約ID１２０には、例えば、予測振動数と実績振動数が示す属性であって、互いに関連する属性である「振動数」が格納される。
　次に、図４に、属性バッファ５４の構成を示す。
　属性バッファ５４は、情報格納領域がテーブル形式で構成され、日時フィールド１３０と、属性フィールド１３２と、値フィールド１３４から構成される。日時フィールド１３０の各エントリには、解析対象となる複数の時系列データが取得されたときの日時に関する情報が格納される。
　属性フィールド１３２の各エントリには、例えば、解析対象となる複数の時系列データの属性に関する情報として、「予測振動数」と「実績振動数」が格納される。
値フィールド１３４の各エントリには、各時系列データの値に関する情報、例えば、予測振動数に関する時系列データの値として、「１５．２」が格納され、実績振動数に関する時系列データの値として、「２４．３」が格納される。
　次に、図５に、設定情報格納領域４０に格納される時間集約情報９２の構成を示す。
　時間集約情報９２は、集約ID１４０と、時間集約データ数４２から構成される。集約ID１４０には、例えば、予測振動数と実績振動数が示す属性であって、互いに関連する属性である「振動数」が格納される。時間集約データ数１４２には、例えば、時系列データを１時間分蓄積するための個数として、「３６００個」の情報が格納される。
　次に、図６に、時間バッファ５６の構成を示す。
　時間バッファ５６は、情報記憶領域がテーブル形式で構成され、集約IDフィールド１５０と、データ集約時間帯フィールド１５２と、属性集約データフィールド１５４から構成される。
　集約IDフィールド１５０のエントリには、例えば「振動数」の情報が格納される。データ集約時間帯フィールド１５２のエントリには、時系列データが集約された時間帯に関する情報が格納される。
　属性集約データフィールド１５４の各エントリには、解析対象となる複数の時系列データ、例えば、時系列データD１と時系列データD２が組み合わされ、組み合わされた時系列データD１、D２が、集約ＩＤの「振動数」に対応付けて格納される。
　次に、図７に、外部記憶装置１８に格納される集約データテーブル３２の構成を示す。
　図７において、集約データテーブル３２は、集約IDフィールド１６０と、特徴点フィールド１６２と、データ集約時間帯フィールド１６４と、時間集約データフィールド１６６から構成される。
　例えば、集約IDフィールド１６０の各エントリには、予測振動数と実績振動数が示す属性を集約した属性である「振動数」の情報が格納される。
　特徴点フィールド１６２の各エントリには、入力した複数の時系列データのうち１時間に亘って蓄積された時系列データの特徴点に関する情報が格納される。例えば、予測振動数の最大値が、「予測最大値：３０」として格納され、予測振動数の最小値として、「予測最小値：０」として格納され、実績振動数の最大値として、「実績最大値：４０」が格納され、実績振動数の最小値として、「実績最小値：０」が格納される。
　データ集約時間帯フィールド１６４には、各時系列データを時間集約データとして、纏めたときのデータ集約時間帯に関する情報が年月日を示す情報とともに数値で格納される。
　時間集約データフィールド１６６の各エントリには、１時間単位で集約された時間集約データに関するデータが格納される。この際、時系列データD１、D２が組み合わされ、時系列データD５、D６が組み合わされ、それぞれ組み合わされた時系列データD１、D２、D５、D６が、集約ＩＤの「振動数」に対応付けて格納される。また、各エントリには、組み合わされた１時間分の時系列データが格納されることになる。
　次に、図８に解析クエリに関する構成を示す。
図８において、解析クエリ１７０は、選択レンジ（select_range）１７２と、選択項目（select_items）１７４と、データ取得対象時間帯（from　　_timerange）１７６と、検索条件（where_condition）１７８から構成される。
　選択レンジ１７２には、データ解析部３６が処理するタイミングとして、例えば「１秒」が格納される。選択項目１７４には、解析実行部６２が解析を行うための解析対象IDとして、例えば「予測周波数－実績周波数AS乖離周波数」が格納される。
　データ取得対象時間帯１７６には、解析実行部６２が、解析を実行する際に用いるデータ取得対象時間帯に関する情報として、例えば、「２０１０－０５－０１　０７：２０：００～２０１０－０５－０１　０８：４０：００」が格納される。
　検索条件１７８には、検索対象IDとなる条件として、例えば、「予測振動数＞＝４０」の情報が格納される。
　次に、時系列データ蓄積処理を図９のフローチャートに従って説明する。
　この処理は、プロセッサ２６が、時系列データ処理プログラム３０のデータ蓄積部３４を起動することで開始される。
　まず、データ受付部４２が、時系列データソース１０からの時系列データを、通信インタフェース２２を介して受信した場合、データ受付部４２は、受信した時系列データを順次データ属性集約部４４に渡す（S１１）。
　次に、データ属性集約部４４は、受信した時系列データのうち同一周期の複数の時系列データの属性、例えば、「予測振動数、実績振動数」と、属性集約情報９０の属性１２２とを突き合わせ、受信した各時系列データの属性が、「予測振動数」または「実績振動数」である場合、受信した各時系列データの属性に対応する集約IDとして、「振動数」を取得し（S１２）、受信した各時系列データを、集約ID（振動数）に対応する属性バッファ５４に蓄積する（S１３）。
　次に、データ属性集約部４４は、集約IDに対応する属性バッファ５４に、同じ日時における属性の値が全て存在するか否かを判定し（S１４）、全て存在していないときには、ステップS１１の処理に戻り、全て存在していると判定したときには、集約IDに対応する属性バッファ５４から、同じ日時の全ての属性のデータを取得し、その後、属性バッファ５４上のデータを削除する（S１５）。
　次に、データ属性集約部４４は、属性バッファ５４から取得した全ての属性のデータを、解析対象となる複数の時系列データ毎に組み合わせて集約IDに対応付けるための属性集約を行い、組み合わされた複数の時系列データを属性集約データとして処理し、この属性集約データをデータ時間集約部４６に出力する（S１６）。
　次に、データ時間集約部４６は、属性集約データを受け取り、この属性集約データを時間バッファ５６に蓄積し（S１７）、時間バッファ５６のデータの個数が、時間集約情報９２の時間集約データ数４２に格納された個数、例えば、３６００個を超えているか否かを判定し（S１８）、時間バッファ５６のデータの個数が、時間集約データ数を超えていないときには１時間分のデータを収集するために、ステップS１１の処理に戻り、時間バッファ５６のデータの個数が、時間集約データ数を超えたときには、１時間分のデータが収集されたとして、ステップS１９の処理に移行する。
　次に、ステップS１９において、データ時間集約部４６は、集約ID（振動数）に対応する時間バッファ５６から、属性集約データを全て取得し、その後、時間バッファ５６上のデータを削除する。
　次に、データ時間集約部４６は、収集した全ての属性集約データを１時間分のデータとして時間集約し、属性集約データを時間集約データとして処理し、時間集約データを特徴点抽出部４８に出力する（S２０）。
　次に、特徴点抽出部４８は、入力した時間集約データから、その特徴となる値として「特徴点」を抽出し、抽出した特徴点とともに、時間集約データをデータ圧縮部５０に出力する（S２１）。
　次に、データ圧縮部５０は、入力した時間集約データを圧縮し、圧縮したデータと特徴点を集約データ書込み部５２に出力する（S２２）。
　次に、集約データ書込み部５２は、時間集約データと特徴点のデータを受け取り、受け取った時間集約データと特徴点のデータを、外部記憶インタフェース２４を介して外部記憶装置１８の集約データテーブル３２に書き込み（S２３）、このルーチンでの処理を終了する。
この際、集約データテーブル３２には、１時間単位の時間集約データが、特徴点やデータ集約時間帯のデータとともに、集約ID（振動数）に対応付けて格納される。また、集約データテーブル３２には、圧縮されたデータが蓄積されるので、データを圧縮しないときよりも、少ないデータ量で集約データを蓄積することができる。
　次に、時系列データ解析処理を図１０のフローチャートに従って説明する。
　この処理は、プロセッサ２６が、時系列データ処理プログラム３０のデータ解析部３６とデータ取得部３８を起動することで開始される。
　まず、解析受付部６０が、解析クエリ１７０を受信し（S３１）、データ取得部３８が、解析対象ID・検索対象ID・取得対象ID・取得対象集約IDリスト作成処理を実行し（S３２）、その後データ取得部３８が、データ取得処理を実行する（S３３）。その後、解析実行部６２は、条件・属性によるデータ抽出・解析処理を実行し（S３４）、解析結果バッファ（図示せず）に蓄積されたデータを結果データとして、クライアント計算機１２に送信する処理を実行し（S３５）、このルーチンでの処理を終了する。
　次に、解析対象ID・検索対象ID・取得対象ID・取得対象集約IDリスト作成処理を図１１のフローチャートに従って説明する。
この処理は、図１０のステップS３２で行われる処理であって、まず、解析受付部６０は、解析クエリ７０の選択項目（select_items）１７４から、解析対象IDリストを作成し、このリスト中に解析対象IDとして、予測振動数と実績振動数を書き込む（S４１）。
　次に、解析受付部６０は、解析クエリ１７０の検索条件（where_condition）１７８から、検索対象IDリストを作成し、このリスト中に、検索対象IDとして予測振動数を書き込む（S４２）。
　次に、解析受付部６０は、解析対象IDと検索対象IDを合わせて、取得対象IDリストを作成し、このリスト中に取得対象IDとして、予測振動数と実績振動数を書き込む（S４３）。
次に、解析受付部６０は、ステップS４４からステップS４８の取得対象IDリストのループ処理を開始する。
　まず、データ解析受付部６０は、取得対象IDと、属性集約情報９０の属性１２２とを突き合わせ、取得対象となる集約IDとして、「振動数」を取得し（S４５）、取得対象となる集約ID「振動数」が、取得対象集約IDリストに存在するか否かを判定し（S４６）、存在しないときには取得対象集約IDリストに取得対象となる集約IDを追加し（S４７）、取得対象となる集約IDがすでに取得対象集約IDリストに存在するときには、このルーチンでの処理を終了する。
　次に、データ取得処理を図１２のフローチャートに従って説明する。
　この処理は、図１０のステップS３３で行われる処理である。まず、読込み時間帯絞込み部７０は、解析受付部６０から取得対象集約IDリストを受信し（S５１）、解析クエリ１７０を基に、解析クエリ１７０のデータ取得対象時間帯（from_timerange）１７６の時間帯から、データ取得対象時間帯として、例えば、「０７：２０：００～０８：４０：００」を取得する（S５２）。
　次に、読込み時間帯絞込み部２７０は、集約データテーブル３２の特徴点を用いて、解析クエリ１７０の検索条件（where_condition）１７８が成立するデータが存在する時間帯に、データ取得時間帯を絞り込む（S５３）。例えば、読込み時間帯絞込み部２７０は、図７の集約データテーブル３２を参照し、予測振動数が４０以上の時系列データが、第１のエントリには存在せず、第２のエントリにのみ存在するときには、データ取得対象時間帯を、７時２０分～８時４０分から８時０分～８時４０分に絞り込む。
　この後、読込み時間帯絞込み部７０は、絞り込んだデータ取得対象時間帯に関する情報を集約データ読込み部７２に出力する。
　この後、ステップS５４～S５８において、取得対象集約IDリストのループ処理が行われる。
　まず、集約データ読込み部７２は、集約データテーブル３２を参照し、取得対象集約IDに関する集約データとして、絞り込まれたデータ取得対象時間帯に属する集約データを集約データテーブル３２から取得し、取得した集約データをデータ解凍部７４に出力する（S５５）。
　次に、データ解凍部７４は、入力した集約データを解凍し、解凍した集約データをデータ時間抽出部７６に出力する（S５６）。
　次に、データ時間抽出部７６は、時間集約情報９２の時間集約データ数４２を参照し、時間集約データ数を基に、絞り込まれたデータ取得対象時間帯に属する属性集約データリストを抽出し（S５７）、取得対象集約IDリストに関する処理が全て完了したことを条件に、このルーチンでの処理を終了する。
　次に、条件・属性によるデータ抽出・解析処理を図１３のフローチャートに従って説明する。
　この処理は、図１０のステップS３４における処理であって、まず、データ絞込み部７８は、解析クエリ１７０の条件１７８から、データ絞り込み条件（予測振動数が４０以上）を取得し（S６１）、データ時間抽出部７６が抽出した属性集約データリストを取得する（S６２）。
　この後、ステップS６３～S６８において、属性集約データリストのループ処理が行われる。
　まず、データ絞込み部７８は、属性集約データに対し、データ絞り込み条件が成立するか否かを判定する（S６４）。具体的には、データ絞込み部７８は、属性集約データの中に予測振動数が、４０以上のものが存在するか否かを判定する。即ち、データ絞込み部７８は、予測振動数の値が、検索対象の条件となる基準値＝４０以上であるか否かを判定する。属性集約データの中に予測振動数が、４０以上のものが存在する場合、データ絞込み部７８は、予測振動数の値が、検索対象の条件となる基準値＝４０以上である時系列データの組み合わせを、絞り込まれた時系列データの組み合わせとして抽出することになる。
　属性集約データの中に予測振動数が、４０以上のものが存在する場合、データ属性抽出部７８は、データ絞込み部７８によって絞り込まれた時系列データ（属性集約データ）の組み合わせから、解析対象IDリストのデータを抽出する（S６５）。すなわち、属性集約データの中から、解析クエリ１７０の選択項目１７４で規定されている、予測振動数と実績振動数に関する時系列データを１組ずつ、解析対象の複数の時系列データとして抽出する。
　データ属性抽出部８０は、抽出した複数の時系列データの組み合わせをそれぞれ解析対象の複数の時系列データとして解析実行部６２に出力する。
　解析実行部６２は、データ属性抽出部８０によって抽出された複数組の時系列データに対して、解析クエリ１７０の選択項目１７４で規定された解析を実行する（S６６）。すなわち、解析対象となる複数の時系列データであって、予測振動数が４０以上の組について、予測振動数から実績振動数を減算し、乖離周波数を求める解析を実行する。
　この後、解析実行部６２は、各組の解析結果を解析結果バッファ（図示せず）に蓄積し（S６７）、このルーチンでの処理を終了する。
　本実施例によれば、同一周期で発生する複数の時系列データを、属性（振動数）で纏めて集約するとともに、設定時間単位で纏めて集約するようにしたため、同一周期で発生する複数の時系列データを効率的に蓄積することができる。
また、本実施例によれば、属性（振動数）を基準に複数の時系列データを蓄積した集約データテーブル３２に対して、属性を基にアクセスすることで、解析で用いる時系列データとして、同一周期で発生する時系列データの組み合わせを集約データテーブル３２から抽出するようにしたため、解析で用いる時系列データを効率的にアクセスして解析することができる。
本実施例は、データ蓄積時に、解析対象となる複数の時系列データの組み合わせとして、異なる周期で発生する時系列データの組み合わせ（発電量と電力消費量に関する時系列データ）を選択し、選択した時系列データの組み合わせを複数組纏めて設定時間単位で集約し、集約した複数組の時系列データを属性（電力）に対応付けて記憶部に蓄積し、データ解析時に、解析で用いる時系列データとして、異なる周期で発生する時系列データの組み合わせ（発電量と電力消費量に関する時系列データ）を記憶部から抽出するものである。
　図１４に本発明に係る第２実施例の全体構成を示す。
　本実施例における計算機システムは、時系列データ処理装置１６において、データ蓄積部３４のデータ受付部４２とデータ属性集約部４４との間にデータ周期集約部４３を配置し、属性バッファ５４の代わりに、属性バッファ５３を配置し、時間バッファ５６の代わりに、時間バッファ５５を配置し、データ周期集約部４３が管理するバッファとして、周期バッファ５７を配置し、データ取得部３８のデータ属性抽出部８０の後にデータ周期抽出部８２を配置し、設定情報格納領域４０に、属性集約情報９０の代わりに、属性集約情報９１を配置し、時間集約情報９２の代わりに、時間集約情報９３を配置し、新たに周期集約情報９５を配置し、さらに、外部記憶装置１８に集約データテーブル３２の代わりに、集約データテーブル３３を格納し、時系列データ処理装置１６で時系列データとして、異なる周期で発生する時系列データを処理するようにしたものであり、他の構成は第１実施例と同様である。
　データ周期集約部４３は、データ受付部４２の出力による時系列データのうち発生周期が異なる時系列データを１時間分の時系列データとして纏めて処理するために、例えば、１時間周期で発生する時系列データ（発電量に関する時系列データ）と、１分周期で発生する時系列データ（電力消費量に関する時系列データ）を蓄積データとして周期バッファ５７に蓄積するとともに、１時間周期で発生する時系列データと１分周期で発生する時系列データをそれぞれデータ属性集約部４４に出力する。
　データ属性集約部４４は、入力した時系列データのうち解析対象となる複数の時系列データ、即ち、異なる周期で発生する複数の時系列データを組み合わせ、組み合わせた複数の時系列データ、例えば、発電量に関する時系列データと電力消費量に関する時系列データを組み合わせ、組み合わせた複数の時系列データを、互いに関連する属性、例えば、電力に対応付けて集約（以下、属性集約と称することもある。）し、集約された時系列データを属性集約データとして、属性バッファ５３に蓄積するとともに、データ時間集約部４６に出力する。
　データ時間集約部４６は、入力した属性集約データを、設定された時間分だけ収集して時間集約データとして処理する。例えば、データ時間集約部４６は、入力された属性集約データを２４時間単位で集約して時間集約データとして、時間バッファ５５に蓄積するとともに、特徴点抽出部４８に出力する。
　特徴点抽出部４８は、入力した時間集約データから、その特徴点を抽出し、抽出した特徴点とともに、入力した時間集約データをデータ圧縮部５０に出力する。
　データ圧縮部５０は、特徴点抽出部４８から出力された時間集約データを圧縮し、圧縮したデータと特徴点抽出部４８から出力された特徴点を集約データ書込み部５２に出力する。
　集約データ書込み部５２は、データ圧縮部５０から出力されるデータを集約データとして、外部記憶装置１８の集約データテーブル３２に書き込む。
　データ解析部３６の解析受付部６０は、第１実施例と同様に、クライアント計算機１２からの解析クエリを受け付け、受け付けた解析クエリをデータ取得部３８に出力する。解析実行部６２は、第１実施例と同様に、データ取得部３８の処理結果を基に解析クエリで規定された解析を実行する。
　データ取得部３８の読込み時間帯絞込み部７０、集約データ読込み部７２、データ解凍部７４、データ時間抽出部７６、データ絞込み部７８、データ属性抽出部８０は、第１実施例と同様に、時系列データに関する処理を実行する。
　この際、データ属性抽出部８０は、データ絞込み部７８により絞り込まれた属性集約データの中から、解析対象となる時系列データであって、集約ＩＤが電力に対応付けられた複数の時系列データとして、１個の発電量に関する時系列データと、６０個の電力消費量に関する時系列データとを組み合わせたものを解析対象毎に纏めて抽出し、各抽出した複数の時系列データを解析実行部６２に出力する。
　次に、図１５に、周期集約情報９５の構成を示す。
　周期集約情報９５は、属性２００と、周期集約データ数２０２から構成される。属性２００には、例えば、解析対象の時系列データに関する属性として、「発電量」と「電力消費量」が格納される。周期集約データ数２０２には、例えば、１時間単位で解析を行うときに必要なデータ数として、発電量に対応して「１個」が格納され、電力消費量に対応して「６０個」の情報が格納される。これは、１時間当たりにおける電力差を解析する場合、発電量として１個のデータを用い、１分間に発生する電力消費量として、６０個のデータを用いるためである。
　図１６に、周期バッファ５７の構成を示す。
　周期バッファ５７は、情報記憶領域がテーブル形式で構成されており、日時フィールド２１０と、属性フィールド２１２と、蓄積データフィールド２１４から構成される。
　日時フィールド２１０の各エントリには、周期バッファ５７にデータを蓄積する日時に関する情報が、年月日とともに数値で格納される。属性フィールド２１２の各エントリには、例えば、周期バッファ５７に蓄積された時系列データの属性として、「発電量」または「電力消費量」の情報が格納される。蓄積データフィールド２１４の各エントリには、周期バッファ５７に蓄積された時系列データ（蓄積データ）の値が格納される。
例えば、発電量に対応して、図２における時系列データD４の値として、「２４０」が格納され、電力消費量に対応して、図２における時系列データD３、D７、D８の値として、「６．７」、「７．１」、「１２．４」が格納される。
　次に、図１７に属性集約情報９１の構成を示す。
　属性集約情報９１は、集約ID２２０と、属性２２２から構成される。属性２２２は、異なる周期で発生する時系列データの属性として、例えば、「発電量」、「電力消費量」が格納される。集約ID２２０には、属性２２２に格納される発電量と電力消費量が示す属性であって、互いに関連する属性として「電力」が格納される。
　次に、図１８に、属性バッファ５３の構成を示す。
　属性バッファ５３は、情報記憶領域がテーブル形式で構成され、周期集約時間帯フィールド２３０と、属性フィールド２３２と、周期集約データフィールド２３４から構成される。
　周期集約時間帯フィールド２３０の各エントリには、１時間単位の周期集約時間帯に関する情報が格納される。属性フィールド２３２の各エントリには、例えば、解析対象となる複数の時系列データの属性として、「発電量」と「電力消費量」が格納される。
　周期集約データフィールド２３４の各エントリには、例えば、発電量に対応して、発電量の値が、１個格納され、電力消費量に対応して、１分周期で収集された電力消費量の値が、６０個格納される。
　次に、図１９に、時間集約情報９３の構成を示す。
　時間集約情報９３は、集約ID２４０と、時間集約データ数２４２から構成される。集約ID２４０には、例えば、「発電量」と「電力消費量」に互いに関連する属性として、「電力」が格納される。時間集約データ数２４２には、例えば、電力のデータを２４時間単位で時間集約するために、「２４個」が格納される。
　次に、図２０に、時間バッファ５５の構成を示す。
　時間バッファ５５は、データ集約時間帯２５０と、属性集約データ２５２から構成される。データ集約時間帯２５０には、データを集約する時間帯に関する情報が２４時間単位の情報として格納される。属性集約データ２５２には、１時間毎のデータが纏めて格納される。例えば、図２の時系列データの場合、時系列データD４、D３、D７、・・・、D８が、解析対象となる、１時間分のデータとして格納される。
　次に、図２１に、集約データテーブル３３の構成を示す。
　集約データテーブル３３は、情報記憶領域がテーブル形式で構成され、集約IDフィールド２６０と、特徴点フィールド２６２と、データ集約時間帯フィールド２６４と、時間集約データフィールド２６６から構成される。
　集約IDフィールド２６０の各エントリには、例えば、発電量と電力消費量を集約した属性として、「電力」が格納される。
　特徴点フィールド２６２の各エントリには、２４時間毎に纏められた時系列データの特徴点に関する情報が格納される。例えば、発電量の最大値として「発電量最大値：３００」が格納され、発電量の最小値として、「発電量最小値：２００」が格納される。また、電力消費量の最大値として、「電力消費量最大値：１０」が格納され、電力消費量の最小値として、「電力消費量最小値：５」が格納される。
　データ集約時間帯フィールド２６４の各エントリには、例えば、発電量と電力消費量を２４時間分取得するためのデータ集約時間帯に関する情報が格納される。
　時間集約データフィールド２６６には、２４時間分のデータとして、１時間単位で周期集約したデータに関する値が格納される。例えば、図２の時系列データの場合、１時間分のデータとして、時系列データD４、D３、D７、・・・、D８の値がそれぞれ格納される。
　次に、図２２に、解析クエリ２７０の構成を示す。
　解析クエリ２７０は、選択レンジ（select_range）２７２と、選択項目（select_items）２７４と、データ取得対象時間帯（from_timerange）２７６と、検索条件（where_condition）２７８から構成される。
　選択レンジ（select_range）２７２には、データ解析部３６がデータを解析する処理時間単位として１時間が格納される。
　選択項目（select_itemｓ）２７４には、解析対象IDとして、例えば、発電量－SUM（電力消費量）AS電力差分が格納される。
　データ取得対象時間帯（from_timerange）２７６には、データ取得対象時間帯に関する情報として、例えば「２０１０－０５－０１　０７：００：００」～「２０１０－０５－０１　１７：００：００」が格納される。
　条件（where_condition）２７８には、検索対象IDとなる条件として、発電量＞＝２５０が格納される。
　次に、時系列データ蓄積処理を図２３のフローチャートに従って説明する。
　この処理は、プロセッサ２６が、時系列データ処理プログラム３０のデータ蓄積部３４を起動することによって開始される。
　まず、データ受付部４２は、時系列データソース１０から出力された時系列データをネットワーク１４と通信インタフェース２２を介して受信し、受信した時系列データをデータ周期集約部４３に渡す（S７１）。
　次に、データ周期集約部４３は、入力した時系列データを順次周期バッファ５７に蓄積し（S７２）、周期バッファ５７の蓄積データの個数が、周期集約情報９５の周期集約データ数２０２で規定された数を超えているか否かを判定し（S７３）、周期バッファ５７に蓄積されたデータの個数が、周期集約データ数２０２で規定された個数を超えていないときには、ステップS７１の処理に戻り、周期バッファ５７に蓄積されたデータの個数が、周期集約データ数２０２で規定された個数を超えているときには、ステップS７４の処理に移行する。
　ステップS７３では、データ周期集約部４３は、入力した時系列データを周期バッファ５７に順次蓄積していく過程で、発電量に関する時系列データが１個蓄積されたか否かを判定するとともに、電力消費量に関する時系列データの個数が６０個に達したか否かを判定することになる。
　次に、データ周期集約部４３は、周期バッファ５７に蓄積された蓄積データ（発電量に関する時系列データを１個と電力消費量に関する時系列データを６０個含むデータ）を周期バッファ５７から取得し、その後、周期バッファ５７のデータを削除し（S７４）、周期バッファ５７から取得した蓄積データを１時間周期のデータとして纏めるための周期集約を実行し、周期集約された周期集約データ（発電量に関する時系列データと発電量に関する時系列データを含むデータ）をデータ属性集約部４４に出力する（S７５）。
　次に、データ属性集約部４４は、周期集約データを受け取り、この周期集約データを集約IDに対応する属性バッファ５３に順次蓄積し（S７６）、集約IDに対応する属性バッファ５３に、同一日時における全ての属性（発電量と電力消費量）の周期集約データが存在するか否かを判定し（S７７）、全て存在していないと判定したきには、ステップS７１の処理に戻り、全て存在していると判定したときには、集約IDに対応する属性バッファ５３から、同一日時の全ての属性（発電量と電力消費量）の周期集約データを取得し、その後、属性バッファ５３上のデータを削除する（S７８）。
　次に、データ属性集約部４４は、属性バッファ５３から取得した全ての属性（発電量と電力消費量）の周期集約データを、解析対象となる複数の時系列データ毎に組み合わせて集約ID（電力）に対応付けるための属性集約を行い、組み合わされた複数の時系列データを属性集約データとして処理し、この属性集約データをデータ時間集約部４６に出力する（S７９）。
　次に、データ時間集約部４６は、属性集約データを受け取り、この属性集約データを時間バッファ５５に順次蓄積し（S８０）、時間バッファ５５に蓄積された属性集約データの個数が、時間集約情報９３の時間集約データ数２４２に格納された個数、例えば、２４個を超えているか否かを判定し（S８１）、時間バッファ５５の属性集約データの個数が、時間集約データ数を超えていないときには２４時間分の属性集約データを収集するために、ステップS７１の処理に戻り、時間バッファ５５の属性集約データの個数が、時間集約データ数を超えたときには、２４時間分の属性集約データが収集されたとして、ステップS８２の処理に移行する。
　次に、ステップS８２において、データ時間集約部４６は、集約ID（電力）に対応する時間バッファ５５から、属性集約データを全て取得し、その後、時間バッファ５５上のデータ（属性集約データ）を削除する。
　次に、データ時間集約部４６は、取得した全ての属性集約データを２４時間分のデータとして纏めるための時間集約を実行し、時間集約された属性集約データを時間集約データとして処理し、時間集約データを特徴点抽出部４８に出力する（S８３）。
　次に、特徴点抽出部４８は、入力した時間集約データから、その特徴となる値として「特徴点」を抽出し、抽出した特徴点とともに、時間集約データをデータ圧縮部５０に出力する（S８４）。
　次に、データ圧縮部５０は、入力した時間集約データを圧縮し、圧縮したデータと特徴点を集約データ書込み部５２に出力する（S８５）。
　次に、集約データ書込み部５２は、時間集約データと特徴点のデータを受け取り、受け取った時間集約データと特徴点のデータを、外部記憶インタフェース２４を介して外部記憶装置１８の集約データテーブル３３に書き込み（S８６）、このルーチンでの処理を終了する。この際、集約データテーブル３３には、２４時間単位の時間集約データが、特徴点やデータ集約時間帯のデータとともに、集約ID（電力）に対応付けて格納される。
　次に、時系列データ解析処理を図２４のフローチャートに従って説明する。
　この処理は、データ解析部３６とデータ取得部３８によって実行され、まず、解析受付部６０が、クライアント計算機１２から発行された解析クエリ２７０を受信し（S９１）、その後、データ取得部３８が、取得対象ID・検索条件ID・取得対象ID・取得対象集約IDリスト作成処理を実行する（S９２）。
次に、データ取得部３８が、データ取得処理を実行し（S９３）、この後、解析実行部６２が、条件・属性・周期によるデータ抽出・解析処理を実行し（S９４）、最後に、解析実行部６２が、解析結果バッファに蓄積された結果データをクライアント計算機１２に送信し（S９５）、このルーチンでの処理を終了する。
なお、ステップS９２における取得対象ID・検索条件ID・取得対象ID・取得対象集約IDリスト作成処理は、解析クエリ２７０に基づく処理である他は、図１１における処理と同一の内容であり、また、ステップS９３におけるデータ取得処理は、解析クエリ２７０に基づく処理である他は、図１２における処理と同一の内容であるので、それらの説明は省略する。
　次に、条件・属性・周期によるデータ抽出・解析処理を図２５のフローチャートに従って説明する。
　このステップは、図２４のステップS９４で行われる処理であり、まず、データ絞込み部７８は、解析クエリ２７０の検索条件（where_condition）２７８から、データ絞り込み条件として、例えば、発電量を、基準値＝２５０以上とした場合、発電量２５０以上を取得し（S１０１）、次に、データ時間抽出部７６が抽出した属性集約データリストを取得する（S１０２）。
　この後、属性集約データリストに基づくループ処理がステップS１０３～S１０９において行われる。
　まず、データ絞込み部７８は、取得した属性集約データに対し、データ絞り込み条件が成立するか否かを判定する（S１０４）。すなわち属性集約データの中に、発電量が２５０以上のものが存在するか否かを判定し、発電量が２５０以上のものが存在する場合、ステップS１０５に移り、発電量が２５０以上のものが存在しない場合には、ステップS１０９の処理に移行する。
　ステップS１０５において、データ属性抽出部８０は、属性集約データの中から、解析対象IDリストの属性集約データを抽出する。すなわち、データ属性抽出部８０は、解析クエリ２７０の選択項目２７４に規定されている属性集約データ、例えば、発電量に関する時系列データを１個と、電力消費量に関する時系列データを、１時間分のデータとして６０個含む属性集約データを抽出する。
　次に、データ周期抽出部８２は、周期集約情報９５の周期集約データ数２０２で規定されたデータ数（発電量：１個、電力消費量：６０個）を基に、解析クエリ２７０のデータ取得対象時間帯（from_timerange）２７６内のデータ（７：００：００～１７：００：００の間に蓄積されたデータ）を抽出する（S１０６）。
　この後、解析実行部６２は、データ周期抽出部８２で抽出されたデータに対して、解析クエリ２７０の選択項目（select_items）２７４に関する解析を実行する。例えば、選択項目（select_items）２７４が、「発電量－SUM（電力消費量）AS電力差分」である場合、発電量から１時間分の電力消費量を減算して、電力差分を求める演算を実行する。
　次に、解析実行部６２は、解析結果を解析結果バッファ（図示せず）に蓄積し（S１０８）、全ての属性集約データリストに関する処理を実行したことを条件に、このルーチンでの処理を終了する。
　本実施例によれば、異なる周期で発生する複数の時系列データを、属性（電力）で纏めて集約するとともに、設定時間単位で纏めて集約するようにしたため、異なる周期で発生する複数の時系列データを効率的に蓄積することができる。
また、本実施例によれば、属性（電力）を基準に複数の時系列データを蓄積した集約データテーブル３３に対して、属性を基にアクセスすることで、解析で用いる時系列データとして、異なる周期で発生する時系列データの組み合わせを集約データテーブル３３から抽出するようにしたため、解析で用いる複数の時系列データを効率的にアクセスして解析することができる。
　１０　時系列データソース、１２　クライアント計算機、１４　ネットワーク、１６　時系列データ処理装置、１８　外部記憶装置、２０　メモリ、２６　プロセッサ、３０　時系列データ処理プログラム、３２　集約データテーブル、３４　データ蓄積部、３６　データ解析部、３８　データ取得部、４０　設定情報格納領域、４２　データ受付部、４３　データ周期集約部、４４　データ属性集約部、４６　データ時間集約部、４８　特徴点抽出部、５０　データ圧縮部、５２　集約データ書込み部、６０　解析受付部、６２　解析実行部、７０　読込み時間帯絞込み部、７２　集約データ読込み部、７４　データ解凍部、７６、データ時間抽出部、７８　データ絞込み部、８０　データ属性抽出部、８２　データ周期抽出部。　

Claims (20)

  1. 　時系列データ発生源から時系列データを順次入力して処理するデータ処理部と、前記データ処理部の処理結果を蓄積する記憶部と、前記記憶部からデータを取得するとともに、前記取得したデータを解析要求に従って解析するデータ取得解析部とを、備え、
    　前記データ処理部は、
    前記入力した時系列データのうち解析対象となる複数の時系列データを組み合わせ、前記組み合わせた複数の時系列データを、互いに関連する属性に対応付けて前記記憶部に蓄積し、
    　前記データ取得解析部は、
    　前記解析要求で規定された検索対象が前記属性である場合、前記属性を検索対象として前記記憶部をアクセスし、前記記憶部の中から前記属性に対応した時系列データであって、前記解析対象となる複数の時系列データを抽出し、前記抽出した複数の時系列データを用いて、前記解析要求で規定された解析を実行してなる時系列データ処理装置。
  2. 　請求項１に記載の時系列データ処理装置において、
    前記データ処理部は、
    前記解析対象となる複数の時系列データの組み合わせとして、同一周期で発生する時系列データの組み合わせを選択し、前記選択した時系列データの組み合わせを複数組纏めて設定時間単位で集約し、前記集約した複数組の時系列データを前記属性に対応付けて前記記憶部に蓄積し、
    　前記データ取得解析部は、
    　前記解析で用いる時系列データとして、前記同一周期で発生する時系列データの組み合わせを前記記憶部から抽出してなる時系列データ処理装置。
  3. 　請求項１に記載の時系列データ処理装置において、
    前記データ処理部は、
    前記解析対象となる複数の時系列データの組み合わせとして、同一周期で発生する時系列データの組み合わせを選択し、前記選択した時系列データの組み合わせを前記属性に対応付けて前記記憶部に蓄積し、
    　前記データ取得解析部は、
    　前記解析で用いる時系列データとして、前記同一周期で発生する時系列データの組み合わせを前記記憶部から抽出してなる時系列データ処理装置。
  4. 　請求項１に記載の時系列データ処理装置において、
    前記データ処理部は、
    前記解析対象となる複数の時系列データの組み合わせとして、異なる周期で発生する時系列データの組み合わせを選択し、前記選択した組み合わせによる時系列データを、前記属性に対応付けて前記記憶部に蓄積し、
    　前記データ取得解析部は、
    　前記解析で用いる時系列データとして、前記異なる周期で発生する時系列データの組み合わせを前記記憶部から抽出してなる時系列データ処理装置。
  5. 　請求項３に記載の時系列データ処理装置において、
    前記データ処理部は、
    前記選択した時系列データの組み合わせを複数組纏めて設定時間単位で集約し、前記集約した複数組の時系列データを前記属性に対応付けて前記記憶部に蓄積し、
    　前記データ取得解析部は、
    　前記解析で用いる時系列データとして、前記集約した複数組の時系列データを前記記憶部から抽出してなる時系列データ処理装置。
  6. 　請求項４に記載の時系列データ処理装置において、
    前記データ処理部は、
    前記選択した時系列データの組み合わせを複数組纏めて設定時間単位で集約し、前記集約した複数組の時系列データを前記属性に対応付けて前記記憶部に蓄積し、
    　前記データ取得解析部は、
    　前記解析で用いる時系列データとして、前記集約した複数組の時系列データを前記記憶部から抽出してなる時系列データ処理装置。
  7. 　請求項１に記載の時系列データ処理装置において、
    前記データ処理部は、
    前記解析対象となる複数の時系列データの組み合わせとして、同一周期で発生する時系列データの組み合わせを選択し、前記選択した時系列データの組み合わせに属する各時系列データの特徴点を抽出し、前記選択した時系列データの組み合わせを前記抽出した特徴点とともに前記属性に対応付けて前記記憶部に蓄積し、
    　前記データ取得解析部は、
    　前記同一周期で発生する時系列データの組み合わせに属する時系列データの特徴点についての基準値が、前記検索対象の条件として前記解析クエリに規定されている場合、前記解析で用いる時系列データとして、前記同一周期で発生する時系列データの組み合わせの中から当該時系列データの特徴点が、前記基準値を満たすものを前記記憶部から抽出してなる時系列データ処理装置。
  8. 　請求項１に記載の時系列データ処理装置において、
    前記データ処理部は、
    前記解析対象となる複数の時系列データの組み合わせとして、異なる周期で発生する時系列データの組み合わせを選択し、前記選択した時系列データの組み合わせに属する各時系列データの特徴点を抽出し、前記選択した時系列データの組み合わせを前記抽出した特徴点とともに、前記属性に対応付けて前記記憶部に蓄積し、
    　前記データ取得解析部は、
    　前記異なる周期で発生する時系列データの組み合わせに属する時系列データの特徴点についての基準値が、前記検索対象の条件として前記解析クエリに規定されている場合、前記解析で用いる時系列データとして、前記異なる周期で発生する時系列データの組み合わせの中から当該時系列データの特徴点が、前記基準値を満たすものを前記記憶部から抽出してなる時系列データ処理装置。
  9. 　請求項１に記載の時系列データ処理装置において、
    前記データ処理部は、
    前記解析対象となる複数の時系列データの組み合わせとして、同一周期で発生する時系列データの組み合わせを選択し、前記選択した時系列データの組み合わせに属する各時系列データを圧縮し、前記圧縮した時系列データの組み合わせを前記属性に対応付けて前記記憶部に蓄積し、
    　前記データ取得解析部は、
    　前記解析で用いる時系列データとして、前記同一周期で発生する時系列データの組み合わせの中から前記圧縮された時系列データの組み合わせを前記記憶部から抽出し、前記抽出した各時系列データを解凍してなる時系列データ処理装置。
  10. 　請求項１に記載の時系列データ処理装置において、
    前記データ処理部は、
    前記解析対象となる複数の時系列データの組み合わせとして、異なる周期で発生する時系列データの組み合わせを選択し、前記選択した時系列データの組み合わせに属する各時系列データを圧縮し、前記圧縮した時系列データの組み合わせを前記属性に対応付けて前記記憶部に蓄積し、
    　前記データ取得解析部は、
    　前記解析で用いる時系列データとして、前記異なる周期で発生する時系列データの組み合わせの中から前記圧縮された時系列データの組み合わせを前記記憶部から抽出し、前記抽出した各時系列データを解凍してなる時系列データ処理装置。
  11. 　時系列データ発生源から時系列データを順次入力して処理するデータ処理部と、前記データ処理部の処理結果を蓄積する記憶部と、前記記憶部からデータを取得するとともに、前記取得したデータを解析要求に従って解析するデータ取得解析部と、を有する時系列データ処理方法であって、
    　前記データ処理部が、前記入力した時系列データのうち解析対象となる複数の時系列データを組み合わせ、前記組み合わせた複数の時系列データを、互いに関連する属性に対応付けて前記記憶部に蓄積するステップと、
    　前記データ取得解析部が、前記解析要求で規定された検索対象が前記属性である場合、前記属性を検索対象として前記記憶部をアクセスするステップと、
    前記データ取得解析部が、前記記憶部の中から前記属性に対応した時系列データであって、前記解析対象となる複数の時系列データを抽出するステップと、
    前記データ取得解析部が、前記ステップで抽出した複数の時系列データを用いて、前記解析要求で規定された解析を実行するステップを含むことを特徴とする時系列データ処理方法。
  12. 　請求項１１に記載の時系列データ処理方法において、
    前記データ処理部が、前記解析対象となる複数の時系列データの組み合わせとして、同一周期で発生する時系列データの組み合わせを選択するステップと、
    前記データ処理部が、前記選択した時系列データの組み合わせを複数組纏めて設定時間単位で集約するステップと、
    前記データ処理部が、前記ステップで集約した複数組の時系列データを前記属性に対応付けて前記記憶部に蓄積するステップと、
    　前記データ取得解析部が、前記解析で用いる時系列データとして、前記同一周期で発生する時系列データの組み合わせを前記記憶部から抽出するステップを含むことを特徴とする時系列データ処理方法。
  13. 　請求項１１に記載の時系列データ処理方法において、
    前記データ処理部が、前記解析対象となる複数の時系列データの組み合わせとして、同一周期で発生する時系列データの組み合わせを選択するステップと、
    前記データ処理部が、前記ステップで選択した時系列データの組み合わせを前記属性に対応付けて前記記憶部に蓄積するステップと、
    　前記データ取得解析部が、前記解析で用いる時系列データとして、前記同一周期で発生する時系列データの組み合わせを前記記憶部から抽出するステップを含むことを特徴とする時系列データ処理方法。
  14. 　請求項１１に記載の時系列データ処理方法において、
    前記データ処理部が、前記解析対象となる複数の時系列データの組み合わせとして、異なる周期で発生する時系列データの組み合わせを選択するステップと、
    前記データ処理部が、前記ステップで選択した組み合わせによる時系列データを、前記属性に対応付けて前記記憶部に蓄積するステップと、
    　前記データ取得解析部が、前記解析で用いる時系列データとして、前記異なる周期で発生する時系列データの組み合わせを前記記憶部から抽出するステップを含むことを特徴とする時系列データ処理方法。
  15. 　請求項１３に記載の時系列データ処理方法において、
    前記データ処理部が、前記選択した時系列データの組み合わせを複数組纏めて設定時間単位で集約するステップと、
    前記データ処理部が、前記ステップで集約した複数組の時系列データを前記属性に対応付けて前記記憶部に蓄積するステップと、
    　前記データ取得解析部が、前記解析で用いる時系列データとして、前記ステップで集約した複数組の時系列データを前記記憶部から抽出するステップを含むことを特徴とする時系列データ処理方法。
  16. 　請求項１４に記載の時系列データ処理方法において、
    前記データ処理部が、前記選択した時系列データの組み合わせを複数組纏めて設定時間単位で集約するステップと、
    前記データ処理部が、前記ステップで集約した複数組の時系列データを前記属性に対応付けて前記記憶部に蓄積するステップと、
    　前記データ取得解析部が、前記解析で用いる時系列データとして、前記ステップで集約した複数組の時系列データを前記記憶部から抽出するステップを含むことを特徴とする時系列データ処理方法。
  17. 　請求項１１に記載の時系列データ処理方法において、
    前記データ処理部が、前記解析対象となる複数の時系列データの組み合わせとして、同一周期で発生する時系列データの組み合わせを選択するステップと、
    前記データ処理部が、前記ステップで選択した時系列データの組み合わせに属する各時系列データの特徴点を抽出するステップと、
    前記データ処理部が、前記ステップで選択した時系列データの組み合わせを前記抽出した特徴点とともに前記属性に対応付けて前記記憶部に蓄積するステップと、
    　前記データ取得解析部が、前記同一周期で発生する時系列データの組み合わせに属する時系列データの特徴点についての基準値が、前記検索対象の条件として前記解析クエリに規定されている場合、前記解析で用いる時系列データとして、前記同一周期で発生する時系列データの組み合わせの中から当該時系列データの特徴点が、前記基準値を満たすものを前記記憶部から抽出するステップを含むことを特徴とする時系列データ処理方法。
  18. 　請求項１１に記載の時系列データ処理方法において、
    前記データ処理部が、前記解析対象となる複数の時系列データの組み合わせとして、異なる周期で発生する時系列データの組み合わせを選択するステップと、
    前記データ処理部が、前記ステップで選択した時系列データの組み合わせに属する各時系列データの特徴点を抽出するステップと、
    前記データ処理部が、前記ステップで選択した時系列データの組み合わせを前記抽出した特徴点とともに、前記属性に対応付けて前記記憶部に蓄積するステップと、
    　前記データ取得解析部が、前記異なる周期で発生する時系列データの組み合わせに属する時系列データの特徴点についての基準値が、前記検索対象の条件として前記解析クエリに規定されている場合、前記解析で用いる時系列データとして、前記異なる周期で発生する時系列データの組み合わせの中から当該時系列データの特徴点が、前記基準値を満たすものを前記記憶部から抽出するステップを含むことを特徴とする時系列データ処理方法。
  19. 　請求項１１に記載の時系列データ処理方法において、
    前記データ処理部が、前記解析対象となる複数の時系列データの組み合わせとして、同一周期で発生する時系列データの組み合わせを選択するステップと、
    前記データ処理部が、前記ステップで選択した時系列データの組み合わせに属する各時系列データを圧縮するステップと、
    前記データ処理部が、前記ステップで圧縮した時系列データの組み合わせを前記属性に対応付けて前記記憶部に蓄積するステップと、
    　前記データ取得解析部が、前記解析で用いる時系列データとして、前記同一周期で発生する時系列データの組み合わせの中から前記圧縮された時系列データの組み合わせを前記記憶部から抽出するステップと、
    前記データ取得解析部が、前記ステップで抽出した各時系列データを解凍するステップを含むことを特徴とする時系列データ処理方法。
  20. 　請求項１１に記載の時系列データ処理方法において、
    前記データ処理部が、前記解析対象となる複数の時系列データの組み合わせとして、異なる周期で発生する時系列データの組み合わせを選択するステップと、
    前記データ処理部が、前記ステップで選択した時系列データの組み合わせに属する各時系列データを圧縮するステップと、
    前記データ処理部が、前記ステップで圧縮した時系列データの組み合わせを前記属性に対応付けて前記記憶部に蓄積するステップと、
    　前記データ取得解析部が、前記解析で用いる時系列データとして、前記異なる周期で発生する時系列データの組み合わせの中から前記圧縮された時系列データの組み合わせを前記記憶部から抽出するステップと、
    前記データ取得解析部が、前記ステップで抽出した各時系列データを解凍するステップを含むことを特徴とする時系列データ処理方法。
PCT/JP2010/005045 2010-08-11 2010-08-11 時系列データ処理装置及びその方法 WO2012020456A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
PCT/JP2010/005045 WO2012020456A1 (ja) 2010-08-11 2010-08-11 時系列データ処理装置及びその方法
CN201080068167.1A CN103003803B (zh) 2010-08-11 2010-08-11 时序数据处理装置及其方法
US13/813,574 US20130290242A1 (en) 2010-08-11 2010-08-11 Time series data processing device and method therefor
JP2012528518A JPWO2012020456A1 (ja) 2010-08-11 2010-08-11 時系列データ処理装置及びその方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2010/005045 WO2012020456A1 (ja) 2010-08-11 2010-08-11 時系列データ処理装置及びその方法

Publications (1)

Publication Number Publication Date
WO2012020456A1 true WO2012020456A1 (ja) 2012-02-16

Family

ID=45567437

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2010/005045 WO2012020456A1 (ja) 2010-08-11 2010-08-11 時系列データ処理装置及びその方法

Country Status (4)

Country Link
US (1) US20130290242A1 (ja)
JP (1) JPWO2012020456A1 (ja)
CN (1) CN103003803B (ja)
WO (1) WO2012020456A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014109038A1 (ja) * 2013-01-10 2014-07-17 株式会社日立製作所 時系列データ処理装置及び方法並びに記憶媒体
WO2016111002A1 (ja) * 2015-01-09 2016-07-14 株式会社日立製作所 データ管理装置及びデータ管理方法
JP6069503B2 (ja) * 2013-07-01 2017-02-01 株式会社日立製作所 系列データ並列分析基盤およびその並列分散処理方法

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9600523B2 (en) * 2011-01-19 2017-03-21 Oracle International Corporation Efficient data collection mechanism in middleware runtime environment
JP6211802B2 (ja) * 2013-05-29 2017-10-11 日本電産サンキョー株式会社 データ処理装置およびデータ処理方法
JP6754954B2 (ja) * 2016-02-18 2020-09-16 パナソニックＩｐマネジメント株式会社 端末機および端末機の制御方法、並びにこの端末機を用いた無線通信システム
US10719534B2 (en) 2017-02-02 2020-07-21 General Electric Company Rollup engine for internet of things
CN107036820A (zh) * 2017-05-09 2017-08-11 武汉理工大学 基于时序图像处理的发动机轮系横向振动检测方法及系统
CN108052599A (zh) * 2017-12-12 2018-05-18 清华大学 一种支持特征查询的时序数据存储的方法和装置
CN107871022B (zh) * 2017-12-20 2018-12-11 清华大学 一种时序数据列式存储、查询方法及系统
CN110109990A (zh) * 2019-03-18 2019-08-09 北京奇艺世纪科技有限公司 时序数据处理方法、设备、数据处理设备及介质
CN112069424A (zh) * 2019-06-10 2020-12-11 北京国双科技有限公司 访问行为数据分析方法及装置
CN110689953A (zh) * 2019-09-03 2020-01-14 东软医疗系统股份有限公司 数据存储方法及装置、数据查找方法及装置、电子设备
CN113486072A (zh) * 2020-03-17 2021-10-08 中国移动通信集团福建有限公司 数据分析方法、装置、电子设备及计算机可读存储介质
CN116662276B (zh) * 2023-06-06 2024-03-05 中科三清科技有限公司 数据处理方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08221113A (ja) * 1995-02-16 1996-08-30 Hitachi Ltd 時系列データ記憶装置およびプロセス異常診断装置
JP2003132088A (ja) * 2001-10-22 2003-05-09 Toshiba Corp 時系列データ検索システム
JP2006031066A (ja) * 2004-07-12 2006-02-02 Ksl:Kk 年表検索装置、年表検索方法、プログラム及び記録媒体
JP2006053689A (ja) * 2004-08-10 2006-02-23 I-N Information Systems Ltd 時系列データ表示システム及び時系列データ表示用プログラム
JP2008040817A (ja) * 2006-08-07 2008-02-21 Nippon Telegr & Teleph Corp <Ntt> 属性情報付与方法及び属性情報更新方法及びプログラム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7716194B2 (en) * 2005-01-12 2010-05-11 Microsoft Corporation File management system employing time line based representation of data
MY151687A (en) * 2007-03-02 2014-06-30 Manual System Sdn Bhd E A method of data storage and management

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08221113A (ja) * 1995-02-16 1996-08-30 Hitachi Ltd 時系列データ記憶装置およびプロセス異常診断装置
JP2003132088A (ja) * 2001-10-22 2003-05-09 Toshiba Corp 時系列データ検索システム
JP2006031066A (ja) * 2004-07-12 2006-02-02 Ksl:Kk 年表検索装置、年表検索方法、プログラム及び記録媒体
JP2006053689A (ja) * 2004-08-10 2006-02-23 I-N Information Systems Ltd 時系列データ表示システム及び時系列データ表示用プログラム
JP2008040817A (ja) * 2006-08-07 2008-02-21 Nippon Telegr & Teleph Corp <Ntt> 属性情報付与方法及び属性情報更新方法及びプログラム

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014109038A1 (ja) * 2013-01-10 2014-07-17 株式会社日立製作所 時系列データ処理装置及び方法並びに記憶媒体
JP6002250B2 (ja) * 2013-01-10 2016-10-05 株式会社日立製作所 時系列データ処理装置及び方法並びに記憶媒体
JP6069503B2 (ja) * 2013-07-01 2017-02-01 株式会社日立製作所 系列データ並列分析基盤およびその並列分散処理方法
WO2016111002A1 (ja) * 2015-01-09 2016-07-14 株式会社日立製作所 データ管理装置及びデータ管理方法

Also Published As

Publication number Publication date
CN103003803A (zh) 2013-03-27
CN103003803B (zh) 2016-08-03
US20130290242A1 (en) 2013-10-31
JPWO2012020456A1 (ja) 2013-10-28

Similar Documents

Publication Publication Date Title
WO2012020456A1 (ja) 時系列データ処理装置及びその方法
US10733149B2 (en) Template based data reduction for security related information flow data
JP5678620B2 (ja) データ処理方法、データ処理システム、及びデータ処理装置
CN108197181B (zh) 一种时序数据的压缩存储方法、电子设备及存储介质
KR102511271B1 (ko) 시계열 데이터 저장 및 쿼리 방법 및 장치, 및 그 서버 및 저장 매체
CN110134723A (zh) 一种存储数据的方法和数据库
US9146927B2 (en) Data processing apparatus, data processing method, and program
JP5373870B2 (ja) 予測装置、予測方法、及び、プログラム
KR20090046543A (ko) 전력 계통의 감시데이터 수집 및 운영 시스템과 그 방법
US20150095334A1 (en) Data analysis support system
CN109511015A (zh) 多媒体资源推荐方法、装置、存储介质及设备
WO2019225125A1 (ja) データ処理装置およびデータ処理方法
CN117235586B (zh) 酒店客户画像构建方法、系统、电子设备及存储介质
US20130204913A1 (en) File list generation method, system, and program, and file list generation device
JP2019203759A5 (ja)
CN111737233A (zh) 数据监控方法及装置
US20170160892A1 (en) Individual customization system and method
CN110580253A (zh) 时序数据组的加载方法、装置、存储介质及电子设备
JP6617605B2 (ja) 需要量予測プログラム、需要量予測方法、及び情報処理装置
JP5746652B2 (ja) プラントデータ再生装置およびプラントデータ再生方法
JPWO2018061136A1 (ja) 需要予測方法、需要予測システム及びそのプログラム
WO2012172600A1 (ja) データ検索システム及びデータ検索方法
WO2018162955A1 (en) Method, entity, system, computer program, and medium for preparing learning data
CN113177143B (zh) 时序数据访问方法、装置、存储介质及电子设备
JP6852002B2 (ja) データ検索方法、データ検索装置及びプログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 10855857

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2012528518

Country of ref document: JP

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 13813574

Country of ref document: US

122 Ep: pct application non-entry in european phase

Ref document number: 10855857

Country of ref document: EP

Kind code of ref document: A1