WO2018047804A1 - 異常検出装置、異常検出方法、及び記録媒体 - Google Patents

異常検出装置、異常検出方法、及び記録媒体 Download PDF

Info

Publication number
WO2018047804A1
WO2018047804A1 PCT/JP2017/031894 JP2017031894W WO2018047804A1 WO 2018047804 A1 WO2018047804 A1 WO 2018047804A1 JP 2017031894 W JP2017031894 W JP 2017031894W WO 2018047804 A1 WO2018047804 A1 WO 2018047804A1
Authority
WO
WIPO (PCT)
Prior art keywords
probability distribution
sequence
series data
abnormality detection
series
Prior art date
Application number
PCT/JP2017/031894
Other languages
English (en)
French (fr)
Inventor
達也 小松
玲史 近藤
Original Assignee
日本電気株式会社
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 日本電気株式会社 filed Critical 日本電気株式会社
Priority to JP2018538414A priority Critical patent/JP7031594B2/ja
Priority to US16/329,794 priority patent/US11397792B2/en
Publication of WO2018047804A1 publication Critical patent/WO2018047804A1/ja

Links

Images

Classifications

    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/16—Classification; Matching by matching signal segments

Definitions

  • the present invention relates to an abnormality detection device, an abnormality detection method, and a recording medium that detect an abnormality from series data.
  • Patent Document 1 describes the following method.
  • the method is to model the state of the generation mechanism of the sequence data at the time of occurrence by expressing the probability of occurrence of the sequence data that is sequentially input as a probability distribution, and the statistical outliers appearing in the sequence data and the generation mechanism This is a method for detecting a change point of the state of the.
  • Patent Document 2 discloses threshold processing of a degree of difference indicating a degree of difference between a statistic of a probability density function of each variable of serial data sequentially input and a statistic of a predetermined reference probability density function. Thus, a method for detecting an abnormality of an observation target is described.
  • a change in the state of the generation mechanism is not always an abnormality that is a detection target. For example, consider detecting an abnormality in the state of the generation mechanism from series data obtained by using a generation mechanism that operates while the state changes from moment to moment during normal operation. In such a case, the method described in Patent Document 1 detects a change in the operating state in a normal state as an outlier in the series data or a point of change in the state. There is a problem that cannot be done.
  • the purpose of the present technology is to make it possible to accurately detect anomalies from series data generated from a generation mechanism that accompanies a change in state.
  • An abnormality detection apparatus when first sequence data is input, a sequence feature amount extraction unit that extracts a sequence feature amount that is a feature amount of a signal included in the first sequence data; Sequence probability distribution calculating means for calculating a sequence probability distribution which is a probability distribution followed by the sequence feature quantity, and a reference probability distribution storage for storing a reference probability distribution which is a probability distribution used as a reference for the sequence feature quantity in the first series data Based on a plurality of state feature quantities calculated from the first series data, a state feature quantity calculating means for calculating a state feature quantity representing a variation degree of the sequence probability distribution with respect to the reference probability distribution, An abnormality detection means for detecting an abnormality of data is provided.
  • a sequence feature amount that is a feature amount of a signal included in the first sequence data is extracted, and the probability that the sequence feature amount follows A sequence probability distribution that is a distribution, a state feature amount that represents a variation degree of the sequence probability distribution with respect to a reference probability distribution that is a probability distribution that is a reference of the sequence feature amount in the first series data, and An abnormality of the first series data is detected based on a plurality of state feature amounts calculated from the series data.
  • a recording medium includes a process for extracting a sequence feature amount that is a feature amount of a signal included in the first sequence data when the first sequence data is input to the computer, and a sequence feature Processing for calculating a sequence probability distribution that is a probability distribution that the amount follows, and a state feature amount that represents a variation degree of the sequence probability distribution with respect to a reference probability distribution that is a probability distribution that is a reference of the sequence feature amount in the first series data
  • a program that causes a computer to execute a process of calculating and a process of detecting an abnormality in the first series data based on a plurality of state feature amounts calculated from the first series data is recorded in a computer-readable manner.
  • the direction of the arrow in the drawing shows an example, and does not limit the direction of the signal between the blocks.
  • FIG. 1 An abnormality detection apparatus 100 according to a first embodiment of the present invention will be described with reference to the drawings.
  • the abnormality detection apparatus 100 illustrated in FIG. 1 includes a sequence feature amount extraction unit 101, a sequence probability distribution calculation unit 102, a reference probability distribution storage unit 103, a state feature amount calculation unit 104, and an abnormality detection unit 105.
  • the series feature quantity extraction unit 101 receives series data (the signal in FIG. 1) and outputs a feature quantity extracted from the series data. More specifically, the series feature quantity extraction unit 101 extracts a predetermined feature quantity from the inputted series data and outputs it.
  • the feature quantity extracted by the series feature quantity extraction unit 101 may be, for example, a predetermined feature quantity of a signal at each time frame defined in a predetermined time unit.
  • the feature amount extracted from the sequence data may be referred to as a sequence feature amount.
  • the sequence probability distribution calculation unit 102 receives a sequence feature amount as an input, calculates and outputs a sequence probability distribution which is a probability distribution followed by the sequence feature amount.
  • the sequence probability distribution may be any sequence sequence data that represents what sequence feature value is output with what probability. That is, the sequence probability distribution corresponds to under what generation mechanism the sequence data that is the basis of the sequence feature amount is generated.
  • the reference probability distribution storage unit 103 stores a reference probability distribution that is a reference probability distribution with respect to the sequence probability distribution.
  • the reference probability distribution corresponds to the state set by the user as the reference in the state of the input sequence data generation mechanism.
  • the state feature amount calculation unit 104 receives the sequence probability distribution calculated by the sequence probability distribution calculation unit 102 and the reference probability distribution stored in the reference probability distribution storage unit 103, and outputs a state feature amount. More specifically, the state feature quantity calculation unit 104 calculates and outputs a state feature quantity that represents the degree of variation in the sequence probability distribution as viewed from the input reference probability distribution. In the present embodiment, the state feature amount calculation unit 104 calculates a plurality of state feature amounts. For example, the state feature quantity calculation unit 104 may calculate the state feature quantity for each signal included in the series data as the second feature quantity of the signal for which the series feature quantity has been calculated. For example, the state feature amount calculation unit 104 may output the calculated state feature amount in association with a time index of a signal included in the series data.
  • the abnormality detection unit 105 receives a plurality of state feature amounts output from the state feature amount calculation unit 104 and outputs the presence / absence of abnormality in the series data. More specifically, the abnormality detection unit 105 detects the presence / absence of abnormality in the state of the input sequence data generation mechanism based on the plurality of input state feature amounts, and outputs the detected abnormality.
  • the anomaly detection unit 105 is, for example, state feature quantities calculated from series data, and data in which state feature quantities for each time frame defined in a predetermined time unit are arranged in time series is used as second series data.
  • the second series data may be statistically processed to detect the presence or absence of abnormality.
  • the abnormality detection unit 105 obtains a probability distribution of the state feature value as a model of the state feature value in the series data based on two or more state feature values, and uses the obtained probability distribution of the state feature value. The presence or absence may be detected.
  • FIG. 2 is a flowchart showing an example of the operation of the abnormality detection apparatus 100 of the present embodiment.
  • step S101 series data is input to the abnormality detection apparatus 100 (step S101).
  • step S102 the sequence feature amount extraction unit 101 calculates a sequence feature amount from the input sequence data.
  • the sequence probability distribution calculation unit 102 calculates a sequence probability distribution based on the calculated sequence feature amount (step S103).
  • the state feature amount calculation unit 104 calculates a state feature amount based on the calculated sequence probability distribution and the reference probability distribution stored in the reference probability distribution storage unit 103 (step S104).
  • the abnormality detection unit 105 detects an abnormality in the sequence data based on two or more state feature quantities calculated from the sequence data (step S105).
  • an abnormality is detected by using a plurality of state feature amounts representing the state of fluctuation of the input sequence data generation mechanism with respect to the reference state. It is possible to statistically handle the fluctuation of the state of the generating mechanism. That is, in the present embodiment, the abnormality is detected using two or more state feature amounts on the assumption that the state feature amount changes every moment. For this reason, even when the state of the generation mechanism of the input series data changes, an abnormality such as an abnormal outlier or a change can be appropriately detected from the series data.
  • FIG. 3 is a configuration diagram illustrating an example of the abnormality detection apparatus 200 of the present embodiment.
  • the abnormality detection apparatus 200 shown in FIG. 3 includes a series data analysis unit 210 and an abnormality detection unit 205.
  • the sequence data analysis unit 210 is a processing unit that receives the sequence data (signal of FIG. 3) and outputs a state feature amount.
  • sequence feature quantity extraction unit 201, the probability distribution calculation unit 202, the reference probability distribution storage unit 203, and the state feature quantity calculation unit 204 are the sequence feature quantity extraction unit 101, the sequence probability distribution calculation unit 102, and the first embodiment. This corresponds to the reference probability distribution storage unit 103 and the state feature amount calculation unit 104.
  • the abnormality detection apparatus 200 may be implemented as a single unit (in this embodiment, the series data analysis unit 210) that includes these processing units, or as in the first embodiment. May be implemented individually.
  • the series feature quantity extraction unit 201 extracts a predetermined feature quantity (series feature quantity) from the input series data and outputs it.
  • the probability distribution calculation unit 202 receives a sequence feature amount as an input, calculates and outputs a probability distribution (sequence probability distribution) that the input sequence feature amount follows.
  • the reference probability distribution storage unit 203 stores a reference probability distribution.
  • the state feature quantity calculation unit 204 receives the sequence probability distribution and the reference probability distribution as inputs, and calculates and outputs a state feature quantity based on the input sequence probability distribution and the reference probability distribution.
  • the abnormality detection unit 205 corresponds to the abnormality detection unit 105 of the first embodiment.
  • the abnormality detection unit 205 receives the state feature amount output from the series data analysis unit 210 and detects an abnormality.
  • the processing of each processing unit of the abnormality detection apparatus 200 will be described in more detail using an example in which the input series data is a time series acoustic signal x (t).
  • x (t) is a digital signal sequence obtained by AD conversion (Analog-to-Digital-Conversion) of an analog signal recorded by a sensor such as a microphone.
  • a microphone is installed in an environment in which an abnormality is to be detected (hereinafter referred to as a target environment). Then, acoustic signals recorded by the microphone are sequentially input to the abnormality detection device 200. An abnormal change is detected from the state of the target environment that changes from moment to moment.
  • a human activity existing in the target environment, an operation of a device driven in the target environment, a state of the surrounding environment of the target environment, or the like corresponds to the state of the generation mechanism of the series data.
  • the object of the present embodiment is to detect an abnormal change in the state of the target environment that changes from moment to moment (more specifically, the state of the generation mechanism of the sequence data).
  • the series data analysis unit 210 receives the series data x (t) as an input and outputs a state feature quantity d (i).
  • a state feature quantity d (i) i.
  • the series feature quantity extraction unit 201 receives the series data x (t) as an input, and extracts and outputs a predetermined series feature quantity y (i).
  • i represents a time frame index.
  • Y (i) is a vector storing the K-dimensional feature value in the time frame i.
  • the time frame is a unit of time width for extracting the sequence feature quantity y (i) from the sequence data x (t).
  • the user may select the expression format of the signal feature amount that is the sequence feature amount according to the type of the signal.
  • the feature amount of the acoustic signal generally known MFCC (Mel-frequency Cepstrum Coefficients) feature amount and the like are widely used.
  • MFCC Mel-frequency Cepstrum Coefficients
  • the MFCC feature quantity about 20 is generally used as the dimension number K of the feature quantity.
  • the sequence feature is not limited to the MFCC feature and is an arbitrary feature that represents the frequency and / or power of a sound. May be.
  • the probability distribution calculation unit 202 calculates and outputs a sequence probability distribution p i (y) that is a probability distribution that the input sequence feature value y (i) follows.
  • the sequence probability distribution p i (y) represents how much sound is included in the target environment at the time of the time frame i.
  • a representation format of the sequence probability distribution p i (y) for example, a mixed Gaussian distribution or a hidden Markov model is used.
  • ⁇ r , i , ⁇ r , i ) represents a K-dimensional Gaussian distribution characterized by a K-dimensional mean vector ⁇ r , i and a K ⁇ K covariance matrix ⁇ r , i. .
  • R represents the total number of Gaussian distributions
  • r represents the index of each Gaussian distribution
  • ⁇ r, i represents the weight of the r-th Gaussian distribution.
  • the state of the generation mechanism of the sequence data is set to the latent state
  • the sequence feature amount that is the feature amount of the sequence data generated from them is the observation data
  • the transition probability of the state of the generation mechanism may be obtained.
  • the reference probability distribution storage unit 203 stores a reference probability distribution p s (y).
  • p s (y) for example, a probability distribution having the same expression format as the sequence probability distribution p i (y) is used.
  • the reference probability distribution p s (y) is expressed as the following [Equation 2].
  • the state feature quantity calculation unit 204 receives the sequence probability distribution p i (y) and the reference probability distribution p s (y) as input, and changes the sequence probability distribution p i (y) as viewed from the reference probability distribution p s (y). A state feature quantity d (i) representing the condition is extracted.
  • the state feature quantity calculation unit 204 uses, as the state feature quantity d (i), a distance between input probability distributions calculated using a predetermined scale.
  • the state feature quantity calculating unit 204 may use, for example, KL divergence (Kullback-Leibler divergence) between p s (y) and p i (y) as the state feature quantity d (i).
  • KL divergence Kullback-Leibler divergence
  • the state feature quantity calculation unit 204 may use the following distance.
  • This distance is a vector in which R KL divergences between r-th Gaussian distributions are arranged, the norm of the vector, an R-dimensional vector in which R squared distances of the average vectors of each r-th Gaussian distribution are arranged, or The norm of the R-dimensional vector.
  • the state feature value d (i) is a vector value represented by the following [Equation 3].
  • the state feature amount d (i) is expressed as The scalar value represented by [Expression 4] is obtained.
  • the state feature value d (i) is a feature value indicating the direction of change from the reference probability distribution p s (y) to the sequence probability distribution p i (y).
  • the state feature value d (i) is a feature value representing the magnitude of change from p s (y) to p i (y).
  • the state feature value d (i) will be described as a scalar value.
  • the abnormality detection device 200 may change the subsequent abnormality detection unit 205 to a format corresponding to the vector value, such as changing to an abnormality detection method using a vector value as an input.
  • the reference probability distribution storage unit 203 uses, for example, a probability distribution calculated in advance using the sequence data when the generation mechanism of the sequence data is in a predetermined state as the reference probability distribution calculation sequence data, as the reference probability distribution p s (y ).
  • the abnormality detection apparatus 200 calculates a reference probability distribution from the reference probability distribution calculation series data and stores it in the reference probability distribution storage unit 203 before the reference probability distribution storage unit 203.
  • a probability distribution generation unit may be provided.
  • the reference probability distribution storage unit 203 may hold, for example, a probability distribution calculated using an acoustic signal recorded in a midnight state that has calmed down as reference probability distribution calculation series data.
  • the state feature amount d (i) is a feature amount that represents how the state of the target environment in the time frame i has changed as compared to the state of the target environment that has been quieted down.
  • the reference probability distribution a probability distribution calculated using all acoustic signals recorded for one day may be used, or a probability distribution calculated using acoustic signals of a specific time interval of interest is used. Also good.
  • the reference probability distribution storage unit 203 may use the sequence probability distribution p i ⁇ 1 (y) as the reference probability distribution. .
  • FIG. 4 is a block diagram illustrating an example of the reference probability distribution generation unit.
  • reference probability distribution calculation sequence data reference probability distribution calculation signal in FIG. 4
  • the sequence feature quantity extraction unit 221 extracts a series feature quantity from the inputted reference probability distribution calculation series data and outputs it.
  • the reference probability distribution calculation unit 222 receives the calculated sequence feature amount as an input, calculates the probability distribution, and stores it in the reference probability distribution storage unit 203.
  • the operations of the sequence feature quantity extraction unit 221 and the reference probability distribution calculation unit 222 may be the same as those of the sequence feature quantity extraction unit 201 and the probability distribution calculation unit 202.
  • the reference probability distribution calculation series data may be prepared in advance, or past data obtained during the operation of the abnormality detection apparatus 200 (particularly, series data that has not been determined to be abnormal). It may be used. In the latter case, the reference probability distribution generation unit may sequentially obtain the reference probability distribution.
  • the sequence feature quantity extraction unit 221 and the probability distribution calculation unit 202 of the series data analysis unit 210 may perform the operations of the sequence feature quantity extraction unit 221 and the reference probability distribution calculation unit 222 in the reference probability distribution generation unit.
  • the abnormality detection unit 205 receives the state feature value d (i) as an input and detects an abnormal state of the generation mechanism of the series data x (t). For example, the abnormality detection unit 205 uses the data obtained by arranging the state feature values d (i) in time series as second series data, statistically processes the second series data, and performs abnormality (statistical outlier or occurrence). A change point of the state of the mechanism) may be detected.
  • the abnormality detection unit 205 can also use the method described in Patent Document 1 as statistical processing. In this case, the abnormality detection unit 205 sequentially inputs the state feature quantity d (i) for each time frame as series data, and the probability that such series data (a series of state feature quantities before that) occurs. Is represented by a probability distribution. Then, the anomaly detection unit 205 uses the outlier score calculated based on the modeled probability distribution and the input series data (latest state feature amount d (i)) to calculate a statistical outlier or A change point of the state of the generation mechanism may
  • the operation of the present embodiment is basically the same as that of the first aspect except that the generation process of the reference probability distribution is performed separately (as a pre-process of the abnormality detection process or in parallel with the abnormality detection process). This is the same as the embodiment.
  • the generation process of the reference probability distribution may be performed by an apparatus other than the abnormality detection apparatus 200.
  • the operation of steps S102 to S104 of the first embodiment shown in FIG. 2 may be called series data analysis processing.
  • FIG. 5 is a flowchart showing an example of the processing flow of the reference probability distribution generation processing.
  • the sequence feature amount extraction unit 221 extracts the sequence feature amount from the input reference probability distribution generation sequence data. (Step S212).
  • the reference probability distribution calculation unit 222 calculates a probability distribution according to the calculated sequence feature amount (step S213), and stores it as a reference probability distribution in the reference probability distribution storage unit 203 (step S214).
  • the method described in Patent Document 1 is a method of detecting a change point or an outlier based on the sequence feature amount output by the sequence feature amount extraction unit 201 referred to in the present embodiment. Then, in situations where the generation mechanism of the series data changes from moment to moment, all changes in the occurrence mechanism are detected as detection targets, so it is determined whether the change is normal or abnormal for the occurrence mechanism. I can't.
  • the present embodiment solves such a problem because an abnormality is detected using a state feature amount based on a state variation state with respect to a reference state in the input sequence data generation mechanism.
  • FIG. 6 is a configuration diagram illustrating an example of the abnormality detection apparatus 300 according to the present embodiment.
  • An abnormality detection apparatus 300 illustrated in FIG. 6 includes a series data analysis unit 301, a normal model storage unit 302, and an abnormality detection unit 303.
  • the sequence data analysis unit 301 may be the same as the sequence data analysis unit 210 of the second embodiment. That is, the sequence data analysis unit 301 receives the sequence data x (t) (the signal in FIG. 6) as an input, and calculates and outputs the state feature value d (i).
  • the normal model storage unit 302 stores a normal model obtained by modeling a state feature amount in a normal state (normal state).
  • the normal model may be, for example, a probability distribution of state feature quantities in a normal state at a time point indicated by a model index indicating at least a time within a specific period.
  • the normal model storage unit 302 may store a plurality of normal models corresponding to a plurality of model indexes indicating different times within a specific period.
  • the abnormality detection apparatus 300 includes a normal model generation unit that calculates a normal model from the normal model calculation series data and stores the normal model in the normal model storage unit 302 before the normal model storage unit 302. You may have.
  • FIG. 7 is a block diagram illustrating an example of a normal model generation unit.
  • normal model calculation series data normal model calculation signal in FIG. 7
  • the series data analysis unit 311 calculates the state feature quantity from the input normal model calculation series data.
  • the normal model calculation unit 312 receives the calculated state feature value as an input, models a state of periodic change of the state feature value, and stores the model as a normal model in the normal model storage unit 302.
  • the operation of the sequence data analysis unit 311 may be the same as that of the sequence data analysis unit 301.
  • the normal model calculation series data may be prepared in advance, or past data obtained during the operation of the abnormality detection apparatus 300 (particularly, series data not determined to be abnormal) may be used. May be. In the latter case, the normal model generation unit may obtain the normal model sequentially.
  • sequence data analysis unit 301 may perform the operation of the sequence data analysis unit 311 in the normal model generation unit.
  • m is an index related to the model.
  • Sounds generated in facilities or the like usually change with a period of one day based on human activities.
  • a microphone is installed at the entrance of a school building in order to detect an abnormality in a school facility or the like.
  • the entrance to the school building makes little noise early in the morning, and the attendance time suddenly becomes noisy with the voice of the student.
  • the entrance to the school building alternates between a quiet time and a noisy time with abrupt changes according to the repetition of lectures and rest periods during the day.
  • the entrance to the school building gradually calms down after school hours and reaches the night. In this way, the change in sound repeats in a 24-hour cycle. Following such a change, the state feature value d (i) also changes in a cycle of 24 hours.
  • i is a time frame index, and the value continues to increase while the apparatus continues to operate, with a predetermined time (for example, the operation start time of the apparatus) set to 0.
  • a predetermined time for example, the operation start time of the apparatus
  • the normal model generation unit calculates q m (d (i)) by using a plurality of d (i) such that i is time m. To do.
  • q m (d (i)) is based on the assumption that the state at the normal time m is observed with variation according to the day (period) under a certain average.
  • the normal model generation unit may use, for example, a mixed Gaussian distribution or a hidden Markov model in addition to the Gaussian distribution as the expression format of the normal model q m (d (i)).
  • the normal model generation unit sets the state of the generation mechanism of the sequence data as a latent state. Then, the normal model generation unit uses, as observation data, state feature amounts that indicate the degree of variation of the sequence feature amounts that are the feature amounts of the sequence data generated from them as observation data, and the probability that they are observed in the normal state and the generation mechanism. What is necessary is just to obtain
  • a normal model is generated using 24 hours as a cycle unit.
  • the activity cycle of the generation mechanism of the target sequence data is known in advance, it is defined by the activity cycle.
  • a normal model may be generated using m.
  • m may be defined by the day of the week and the time, and a normal model corresponding to the time of each day of the week may be generated.
  • the period for generating the normal model can be freely set by the user.
  • the normal model can be used in combination with a plurality of normal models, such as a normal model for each day of the week and a normal model for repeating lectures and break times. In this case, one state feature amount may be used to generate a plurality of normal models.
  • the abnormality detection unit 303 Based on the state feature quantity d (i) input from the series data analysis unit 301, the abnormality detection unit 303 detects the presence / absence of an abnormality in the state of the generation mechanism of the series data input to the abnormality detection device 300 and outputs it. To do. For example, the abnormality detection unit 303 calculates a score indicating the probability that the normal model indicated by using m corresponding to i of the input state feature quantity d (i) takes the state feature quantity d (i). The presence or absence of abnormality may be detected based on the score. The score is, for example, a probability value obtained by substituting the input state feature quantity d (i) into the probability distribution q m (d (i)) stored as a normal model in the normal model storage unit 302. May be. In that case, the abnormality detection unit 303 may determine that there is an abnormality if the calculated score is less than a predefined threshold value, and may indicate that there is no abnormality if the calculated score is greater than or equal to the
  • FIG. 8 is a flowchart illustrating an example of the operation of the abnormality detection apparatus 300 according to the present embodiment.
  • the series data x (t) is input to the abnormality detection device 300 (step S301).
  • the series data analysis unit 301 performs series data analysis processing on the input series data x (t) and outputs the obtained state feature quantity d (i) (step S302).
  • the abnormality detection unit 303 detects an abnormality in the series data x (t) based on the state feature value d (i) and the normal model stored in the normal model storage unit 302 (step S303). .
  • the abnormality detection device 300 may perform normal model generation processing as pre-processing of the above-described abnormality detection processing or in parallel with the abnormality detection processing.
  • FIG. 9 is a configuration diagram illustrating an example of the abnormality detection apparatus 400 according to the present embodiment.
  • the abnormality detection device 400 illustrated in FIG. 9 includes a series data analysis unit 401, a state feature quantity series generation unit 402, and an abnormality detection unit 403.
  • the sequence data analysis unit 401 is the same as the sequence data analysis unit 210 of the second embodiment. That is, the sequence data analysis unit 401 receives the sequence data x (t) (signal in FIG. 9) as an input, and calculates and outputs the state feature value d (i).
  • the state feature quantity series generation unit 402 receives the state feature quantity d (i) and outputs a state feature quantity series d 2 (y).
  • the state feature quantity series d 2 (j) is a vector or scalar value having the same number of dimensions as d (i) obtained based on the transformation (reorganization) of the state feature quantity d (i). .
  • j is an index related to the state feature quantity series.
  • a method for generating a state feature quantity sequence and an example of j will be described using a case where an abnormality of a facility is detected from an acoustic signal as an example.
  • the sound generated in a facility or the like usually changes at a predetermined cycle (for example, 24 hours) according to human activities. This indicates that the state feature amount also changes at a predetermined cycle.
  • j may be defined based on the activity cycle.
  • y when it is desired to generate a state feature amount series for each time of day, y may be defined by day of the week and time.
  • j is defined corresponding to the length of the lecture and the rest time. The period for extracting the state feature quantity as an element of the state feature quantity series may be freely set.
  • j is defined so that the state feature quantity of the time frame that can be regarded as the same state in the state of the generation mechanism of the repeated series data can be extracted.
  • the definition of j is not limited to one.
  • a state feature amount series corresponding to a plurality of periods may be generated, such as a state feature amount series for each day of the week and a state feature amount series for each lecture and each break time.
  • one state feature amount may be used to generate a plurality of state feature amount series.
  • the abnormality detection unit 403 receives the state feature amount series d 2 (j) as input, and detects an abnormal state of the generation mechanism of the series data x (t).
  • the abnormality detection unit 403 may detect the presence / absence of an abnormality from the state feature amount series d 2 (j) using, for example, the method described in Patent Document 1 described above.
  • the abnormality detection unit 403 sequentially inputs the state feature quantity series d 2 (j) as series data for each j.
  • the abnormality detection unit 403 represents the probability of occurrence of such series data (for example, a series of state feature values d (i) having a time frame i corresponding to the previous j) by a probability distribution. Model with.
  • the anomaly detection unit 403 then calculates an outlier score calculated based on the modeled probability distribution and the input series data (the latest state feature value d (i) of the time frame i corresponding to the j). Based on the above, a statistical outlier or a change point of the state of the generation mechanism may be detected.
  • FIG. 10 is a flowchart illustrating an example of the operation of the abnormality detection apparatus 400 according to the present embodiment.
  • the operations in steps S401 to S402 are the same as those in steps S301 to S302 of the third embodiment.
  • the state feature quantity series generation unit 402 calculates the state feature quantity series from the state feature quantity d (i). d 2 (j) is generated (step S403).
  • the abnormality detection unit 403 detects an abnormality in the sequence data x (t) based on the state feature amount sequence d 2 (j) (step S404).
  • FIG. 11 is a configuration diagram illustrating an example of the abnormality detection apparatus 500 of the present embodiment.
  • An abnormality detection apparatus 500 illustrated in FIG. 11 includes a distributed data analysis unit 510, a normal model storage unit 502, and an abnormality detection unit 503.
  • the distributed data analysis unit 510 receives each series data x 1 (t),..., X N (t) (signals 1 to N in FIG. 11) generated from N generation mechanisms, and states characteristics from each series data. It is a processing unit for calculating the quantity.
  • the distributed data analysis unit 510 includes N series data analysis units 501 (series data analysis units 501-1 to 501-N).
  • Each of the series data analyzing units 501-1 to 501-N receives the corresponding series data x n (t) and outputs a state feature quantity d (i, n).
  • n represents an index of the generation mechanism of the series data (hereinafter referred to as mechanism index).
  • the sequence data analysis unit 501-1 receives the sequence data x 1 (t) as an input and outputs a state feature value d (i, 1).
  • n may be defined as a microphone identifier, or may be defined as a spatial index where the microphone is installed (for example, a three-dimensional coordinate of the place where the microphone is installed).
  • n may be defined as an identifier of the place where the microphone is installed. For example, when a microphone is installed in each classroom for detecting an abnormality in a school facility, n may be defined as an index of the classroom in which the microphone is installed.
  • FIG. 12 is a block diagram illustrating a configuration example of the series data analysis unit 501-n.
  • each series data analysis unit 501 includes a series feature quantity extraction unit 511, a probability distribution calculation unit 512, a reference probability distribution storage unit 513, and a state feature quantity calculation unit 514.
  • the operations of the sequence feature quantity extraction unit 511 and the probability distribution calculation unit 512 are basically the same as those of the sequence feature quantity extraction unit 201 and the probability distribution calculation unit 202 of the second embodiment.
  • the operations of the reference probability distribution storage unit 513 and the state feature amount calculation unit 514 are basically the same as those of the reference probability distribution storage unit 203 and the state feature amount calculation unit 204 of the second embodiment. It is.
  • the reference probability distribution storage unit 513 can also store a reference probability distribution in a predetermined generation mechanism as the reference probability distribution. This is because the input of the abnormality detection device 500 is each series data generated from N generation mechanisms. That is, in the abnormality detection apparatus 200 that has input one series of data, the reference probability distribution represents the state of the target environment at a predetermined time. On the other hand, in this embodiment, the normal state in the generating mechanism indicated by the mechanism index n can be defined as a reference.
  • the location represented by using the acoustic signal x n1 (t) obtained from the microphones installed at the first location (n n1).
  • the state feature amount d (i, n) represents the feature of the surrounding state of the place indicated by n when the surrounding state of the first place (n1) is taken as a reference.
  • an abnormal state can be detected using not only relationships in time series but also relationships between a plurality of generation mechanisms (spatial relationships in terms of acoustic signals). Note that the reference generation mechanism may be different for each n.
  • the normal model storage unit 502 stores a normal model obtained by modeling the state feature quantity d (i, n) in the normal state. Although not shown, the abnormality detection apparatus 500 generates a normal model from the state feature quantity d (i, n) and stores it in the normal model storage unit 502 in the previous stage of the normal model storage unit 502. You may provide the production
  • m is an index related to the model.
  • m in the third embodiment is an index corresponding to time
  • m in the present embodiment also corresponds to a mechanism index n in addition to time.
  • the normal model generation unit defines, for example, m as “n corresponding to n ′ ( ⁇ n) with respect to the first place (n1)”, and sets the first place (n1) as the reference.
  • a normal model may be generated using n feature quantities.
  • the normal model generation unit may define m in combination with a plurality of viewpoints (day and time, place and reference, etc.) regarding the time and the mechanism index, as in the third embodiment.
  • the normal model generation unit may generate a plurality of types of normal models using a plurality of types of m (m 1 , m 2 ,...) Defined according to each viewpoint.
  • the normal model generation method may be the same as in the third embodiment.
  • the normal model may be, for example, a probability distribution q m (d (i, n)) of the state feature quantity d (i, n) of the time frame i and the mechanism index n corresponding to m .
  • the anomaly detection unit 503 detects the presence / absence of an anomaly in the state of the series data generation mechanism input to the anomaly detection device 500 based on the state feature quantity d (i, n) input from the distributed data analysis unit 510. Then output.
  • the anomaly detection unit 503 represents, for example, the probability that a normal model indicated according to m corresponding to i and n of each input state feature quantity d (i, n) takes the state feature quantity d (i, n).
  • a score may be calculated and the presence or absence of an abnormality may be detected based on the score.
  • the score calculation method and the abnormality determination method based on the score may be the same as in the third embodiment.
  • FIG. 13 is a flowchart illustrating an example of the operation of the abnormality detection apparatus 500 of the present embodiment.
  • N series data x 1 (t),..., X N (t) are input to the abnormality detection device 500.
  • Each series data x n (t) is input to the corresponding distributed data analysis unit 510-n.
  • Each distributed data analysis unit 510-n performs series data analysis processing on the input series data x n (t) (steps S501-1 to S501-N).
  • the analysis processing of the series data is the same as that of the second embodiment.
  • the anomaly detection unit 503 determines that the N series data x 1 (t) based on the state feature value d (i, n) obtained from the N distributed data analysis units 510-n and the normal model. ),..., X N (t) is detected (step S502).
  • an abnormality based on the state feature amount based on the relationship between a plurality of generation mechanisms can be detected. Therefore, in addition to the effects of the third embodiment, it is possible to detect an abnormality based on the relationship between the generation mechanisms of the input series data. That is, based on this embodiment, it is possible to detect an abnormal outlier / change from the viewpoint of the relationship between a plurality of generation mechanisms.
  • FIG. 14 is a configuration diagram illustrating an example of the abnormality detection apparatus 600 of the present embodiment.
  • An abnormality detection apparatus 600 illustrated in FIG. 14 includes a distributed data analysis unit 610, a state feature amount series generation unit 602, and an abnormality detection unit 603.
  • the distributed data analysis unit 610 performs the same operation as the distributed data analysis unit 510 of the fifth embodiment, and series data x 1 (t), x 2 (t),..., X generated from N generation mechanisms.
  • N (t) (signals 1 to N in FIG. 14) is input, and the state feature value d (i, n) is output.
  • the distributed data analysis unit 610 includes N series data analysis units 601 (series data analysis units 601-1 to 601-N).
  • the state feature quantity series generation unit 602 receives the state feature quantity d (i, n) and outputs a state feature quantity series d 2 (j, n).
  • the state feature quantity series d 2 (j, n) is a vector or scalar value having the same number of dimensions as d (i, n) obtained by converting the state feature quantity d (i, n). It is.
  • j is an index related to the state feature quantity series.
  • the definition of j may be the same as that of the state feature amount series generation unit 402 of the fourth embodiment.
  • the state feature amount sequence d 2 (j, n) is the state feature amount sequence d 2 in a state feature amount sequence generating unit 402 (j), it can be said that was generated for each mechanism index n.
  • the state feature quantity sequence generation unit 602 is configured to change the operation of the state feature quantity series generation unit 402 to a form corresponding to n so as to be performed N times.
  • the abnormality detection unit 603 receives the state feature quantity sequence d 2 (j, n) as input, and detects an abnormal state of the generation mechanism of the series data x n (t). In this embodiment, since d 2 (j, n) includes an index j related to time and a mechanism index n, the abnormality detection unit 603 detects an abnormality from the viewpoint of not only the temporal relationship but also the occurrence mechanism. can do.
  • the abnormality detection method in the abnormality detection unit 603 may be the same as that of the abnormality detection unit 403 in the fourth embodiment.
  • the abnormality detection unit 603 may define j corresponding to not only i but also n, similarly to m.
  • the state feature quantity sequence output by the state feature quantity series generation unit 602 is d 2 (j).
  • the state feature quantity series is related to the temporal relationship. It is still possible to represent both relationships between developmental mechanisms.
  • FIG. 15 is a flowchart illustrating an example of the operation of the abnormality detection device 600 of the present embodiment. Note that the operations in steps S601-1 to S601-N are the same as those in steps S501-1 to S501-N of the fifth embodiment.
  • the state feature quantity series generation unit 602 calculates the state feature quantity from the state feature quantity d (i, n).
  • a sequence d 2 (j, n) is generated (step S602).
  • the abnormality detection unit 603 detects an abnormality in the N series data x 1 (t),..., X N (t) based on the state feature amount series d 2 (j, n) (step S603). ).
  • a state feature amount is summarized based on the relationship between a plurality of generation mechanisms. Anomalies are detected based on series data (state feature quantity series). Therefore, in addition to the effects of the fourth embodiment, it is possible to detect an abnormality based on the relationship between the generation mechanisms of the input series data. That is, based on this embodiment, it is possible to detect an abnormality viewed from the relationship between a plurality of generation mechanisms.
  • the time series acoustic signal is shown as an example of the series data, but the series data is not limited to the time series acoustic signal.
  • the series data may be any series data such as a time series temperature signal obtained from a temperature sensor, a time series vibration signal obtained from a vibration sensor, or a video signal obtained from a camera.
  • the series data includes time series data of power usage, series data of power usage for each customer, time series data of call volume in the network, time series data of air volume, or spatial series data of rainfall in a certain range. But you can.
  • the series data may be angle series data or discrete series data such as text.
  • the series data includes not only equidistant series data but also unequal intervals series data.
  • the present invention may be applied to a system composed of a plurality of devices, or may be applied to a single device. Furthermore, the present invention can also be applied to a case where an information processing program that implements the functions of the embodiments is supplied directly or remotely to a system or apparatus. Therefore, in order to realize the functions of the present invention on a computer, a program installed on the computer, a medium storing the program, and a WWW (World Wide Web) server that downloads the program are also included in the scope of the present invention. . In particular, at least a non-transitory computer readable medium storing a program for causing a computer to execute the processing steps included in the above-described embodiments is included in the scope of the present invention.
  • each component of the abnormality detection apparatus 100 may be configured with a hardware circuit.
  • each component may be configured using a plurality of devices connected via a network.
  • the plurality of components may be configured with a single piece of hardware.
  • the abnormality detection device 100 may be realized as a computer device including a CPU (Central Processing Unit), a ROM (Read Only Memory), and a RAM (Random Access Memory).
  • the abnormality detection apparatus 100 may be realized as a computer apparatus that includes an input / output circuit (IOC) and a network interface circuit (NIC) in addition to the above configuration.
  • FIG. 16 is a block diagram illustrating an example of a configuration of an information processing device 700 that is an example of hardware of the abnormality detection device 100.
  • the information processing device 700 includes a CPU 710, a ROM 720, a RAM 730, an internal storage device 740, an IOC 750, and a NIC 780, and constitutes a computer device.
  • the CPU 710 reads a program from the ROM 720.
  • the CPU 710 controls the RAM 730, the internal storage device 740, the IOC 750, and the NIC 780 based on the read program.
  • the computer including the CPU 710 controls these configurations and realizes functions as the sequence feature quantity extraction unit 101, the sequence probability distribution calculation unit 102, the state feature quantity calculation unit 104, and the abnormality detection unit 105.
  • the CPU 710 may use the RAM 730 or the internal storage device 740 as a temporary storage medium for the program. Further, the CPU 710 may read a program included in the recording medium 790 that stores the program so as to be readable by a computer using a storage medium reading device (not shown). Alternatively, the CPU 710 may receive a program from an external device (not shown) via the NIC 780, store the program in the RAM 730, and operate based on the stored program.
  • the ROM 720 stores programs executed by the CPU 710 and fixed data.
  • the ROM 720 is, for example, a P-ROM (Programmable-ROM) or a flash ROM.
  • the RAM 730 temporarily stores programs executed by the CPU 710 and data.
  • the RAM 730 is, for example, a D-RAM (Dynamic-RAM).
  • the internal storage device 740 stores data and programs stored in the information processing apparatus 700 for a long time.
  • the internal storage device 740 operates as the reference probability distribution storage unit 103. Further, the internal storage device 740 may operate as a temporary storage device for the CPU 710.
  • the internal storage device 740 is, for example, a hard disk device, a magneto-optical disk device, an SSD (Solid State Drive), or a disk array device.
  • the ROM 720 and the internal storage device 740 are non-transitory storage media.
  • the RAM 730 is a volatile storage medium.
  • the CPU 710 can operate based on a program stored in the ROM 720, the internal storage device 740, or the RAM 730. That is, the CPU 710 can operate using a nonvolatile storage medium or a volatile storage medium.
  • the IOC 750 mediates data between the CPU 710, the input device 760, and the display device 770.
  • the IOC 750 is, for example, an IO interface card or a USB (Universal Serial Bus) card. Further, the IOC 750 is not limited to a wired connection such as a USB, but may be wireless.
  • the input device 760 is a device that receives an input instruction from an operator of the information processing apparatus 700.
  • the input device 760 is, for example, a keyboard, a mouse, or a touch panel.
  • the display device 770 is a device that displays information to the operator of the information processing apparatus 700.
  • the display device 770 is a liquid crystal display, for example.
  • the NIC 780 relays data exchange with an external device (not shown) via the network.
  • the NIC 780 is, for example, a LAN (Local Area Network) card. Further, the NIC 780 is not limited to a wired line, and may use wireless.
  • the information processing apparatus 700 configured as described above can obtain the same effects as those of the abnormality detection apparatus 100. This is because the CPU 710 of the information processing apparatus 700 can realize the same function as the abnormality detection apparatus 100 based on the program.
  • the sequence feature quantity extraction means for extracting the series feature quantity that is the feature quantity of the signal included in the first series data, and the probability distribution that the series feature quantity follows
  • Sequence probability distribution calculating means for calculating a certain sequence probability distribution
  • reference probability distribution storing means for storing a reference probability distribution which is a probability distribution used as a reference for the sequence feature quantity in the first series data
  • State feature amount calculating means for calculating a state feature amount representing the degree of fluctuation of the probability distribution
  • abnormality detection for detecting an abnormality in the first series data based on a plurality of state feature amounts calculated from the first series data And an abnormality detecting device.
  • the sequence feature quantity extracting means extracts a predetermined feature quantity of a signal at each time frame defined in a predetermined time unit as a series feature quantity, and the sequence probability distribution calculating means
  • the state feature quantity calculation means calculates, for each time frame, between the sequence probability distribution at the time point of the time frame and the reference probability distribution corresponding to the time point of the time frame.
  • the state feature amount represented by a predetermined scale is calculated, and the abnormality detection unit detects an abnormality based on the state feature amount for each time frame calculated from the first series data. Anomaly detection device.
  • the anomaly detection means detects the anomaly by statistically processing the second series data, using the data obtained by arranging the state feature values for each time frame calculated from the first series data in time series as the second series data
  • the abnormality detection device according to appendix 2.
  • a normal state model storing a normal model which is a probability distribution of normal state feature quantities in the first series data and is a probability distribution of state feature quantities specified based on a model index indicating at least a time within a specific period.
  • a model storage means The abnormality detection device according to any one of supplementary notes 1 to 3, wherein the abnormality detection means detects an abnormality based on the calculated state feature amount and a normal model.
  • the abnormality detection means detects an abnormality based on a score calculated based on a probability that a state feature amount indicated by a normal model corresponding to a point in time when the calculated state feature amount is obtained. apparatus.
  • a state feature amount sequence generating unit that generates one or more state feature amount sequences by reorganizing state feature amounts for each time frame defined in a predetermined time unit according to a predetermined period;
  • the abnormality detection device according to attachment 2, wherein the abnormality detection means detects each abnormality by using each state feature amount series as second series data and statistically processing the second series data.
  • a plurality of first series data representing the state of different places in the target environment are input, A sequence feature quantity extraction means, a sequence probability distribution calculation means, a reference probability distribution storage means, and a state feature quantity calculation means are provided for the number of input first series data, The anomaly detection means detects an anomaly for each first series data based on a plurality of state feature amounts calculated from the first series data. Anomaly detection device.
  • each reference probability distribution storage unit stores a probability distribution that is a reference of the sequence feature amount in the predetermined first sequence data.
  • a plurality of first series data representing the states of different places in the target environment are input, and a series feature quantity extraction means, series probability distribution calculation means, reference probability distribution storage means, and state feature quantity calculation means For each of the first series data, and the abnormality detection means performs an abnormality on the basis of a plurality of state feature amounts calculated from the first series data.
  • the abnormality detection device according to appendix 1 or 2 for detecting
  • the abnormality detection device according to appendix 9, which detects an abnormality based on a normal model.
  • the state feature-value which rearranges the state feature-value calculated from 1st series data according to a predetermined period for every 1st series data, and produces
  • the abnormality detection means includes, for each first series data, a second series of state feature quantities generated from a plurality of state feature quantities calculated from the first series data.
  • the anomaly detection apparatus according to appendix 9, wherein the second series data is statistically processed to detect an anomaly.
  • Supplementary note 13 Any one of Supplementary notes 1, 2, and 9 to 12 provided with a normal model generation means for generating a normal model using a plurality of state feature quantities calculated from the first series data at normal time The abnormality detection device according to item.
  • the sequence feature amount is a feature amount expressing the frequency and / or power of the sound included in the time-series acoustic signal, and the expression format of the sequence probability distribution and the reference probability distribution is a mixed Gaussian distribution, Appendices 1, 2, wherein the state feature amount is any one of KL divergence, a vector in which a predetermined number of KL divergences are arranged, a vector in which a square distance of an average vector of a predetermined Gaussian distribution is arranged, or a norm of these vectors And the abnormality detection device according to any one of 9 to 14.
  • a predetermined feature amount of a signal at each time frame defined in a predetermined time unit is extracted as a sequence feature amount, and a probability distribution using the sequence feature amount for each time frame as a random variable is calculated.
  • a state feature amount representing a distance between the sequence probability distribution at the time frame time point and the reference probability distribution corresponding to the time frame time point on a predetermined scale is calculated, and the first series data 18.
  • the computer extracts a predetermined feature amount of a signal at each time frame defined in a predetermined time unit as a sequence feature amount, and calculates a sequence probability distribution.
  • a probability distribution using a sequence feature value for each time frame as a random variable is calculated, and a state feature value is calculated for each time frame.
  • An abnormality based on the state feature value for each time frame calculated from the first series data in the process of detecting the abnormality by calculating the state feature value that represents the distance to the reference probability distribution on a predetermined scale The abnormality detection program according to appendix 19, which detects
  • the present invention is not limited to abnormality detection targeting an environment whose state changes even when normal, but can be suitably applied to abnormality detection for arbitrary series data.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Complex Calculations (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

状態の変化を伴う発生機構から生じる系列データに対しても異常な外れ値・変化を精度よく検出するため、本発明の異常検出装置は、系列データが入力されると、系列データに含まれる信号の特徴量である系列特徴量を抽出する系列特徴量抽出手段と、系列特徴量が従う確率分布である系列確率分布を算出する系列確率分布算出手段と、系列データにおける系列特徴量の基準とされる確率分布である基準確率分布を格納する基準確率分布格納手段と、基準確率分布に対する系列確率分布の変動具合を表す状態特徴量を算出する状態特徴量算出手段と、系列データから算出される複数の状態特徴量に基づいて、系列データの異常を検出する異常検出手段とを備える。

Description

異常検出装置、異常検出方法、及び記録媒体
　本発明は、系列データから異常を検出する異常検出装置、異常検出方法、及び記録媒体に関する。
　上記技術分野において、例えば、特許文献１には、次の方法が記載されている。その方法とは、順次入力される系列データが発生する確率を確率分布で表すことで発生時の系列データの発生機構の状態をモデル化して、系列データ中に現れる統計的な外れ値及び発生機構の状態の変化点を検出する方法である。
　また、特許文献２には、順次入力される系列データの各変数の確率密度関数の統計量と、予め定められた基準の確率密度関数の統計量との相違の程度を示す相違度を閾値処理することで、観測対象の異常を検出する方法が記載されている。
特開２００４－０５４３７０号公報 特開２００６－３３１３００号公報
　しかし現実問題において、発生機構の状態の変化が常に検出対象とされる異常であるとは限らない。例えば、正常動作中に状態が時々刻々と変化しながら動作するような発生機構を用いて得られた系列データから、発生機構の状態の異常を検出することを考える。このような場合、特許文献１に記載の方法は、正常な状態における動作状態の変化をも系列データの外れ値や状態の変化点として検知してしまうため、真に検出したい異常を精度よく検出することができない問題がある。
　また、特許文献２に記載されているような、相違度を単純に閾値処理する方法も、上記と同様の問題がある。すなわち、相違度の単純な閾値処理のみでは、正常な状態における動作状態の変化をも系列データの外れ値や状態の変化点として検知してしまうため、真に検出したい異常を精度よく検出することができない。
　本技術の目的は、上記課題にかんがみて、状態の変化を伴う発生機構から生じる系列データからも異常を精度よく検出できるようにすることにある。
　本発明の一形態に係る異常検出装置は、第１の系列データが入力されると、第１の系列データに含まれる信号の特徴量である系列特徴量を抽出する系列特徴量抽出手段と、系列特徴量が従う確率分布である系列確率分布を算出する系列確率分布算出手段と、第１の系列データにおける系列特徴量の基準とされる確率分布である基準確率分布を格納する基準確率分布格納手段と、基準確率分布に対する系列確率分布の変動具合を表す状態特徴量を算出する状態特徴量算出手段と、第１の系列データから算出される複数の状態特徴量に基づいて、第１の系列データの異常を検出する異常検出手段とを備えたことを特徴とする。
　本発明の一形態に係る異常検出方法は、第１の系列データが入力されると、第１の系列データに含まれる信号の特徴量である系列特徴量を抽出し、系列特徴量が従う確率分布である系列確率分布を算出し、第１の系列データにおける系列特徴量の基準とされる確率分布である基準確率分布に対する系列確率分布の変動具合を表す状態特徴量を算出し、第１の系列データから算出される複数の状態特徴量に基づいて、第１の系列データの異常を検出することを特徴とする。
　本発明の一形態に係る記録媒体は、コンピュータに、第１の系列データが入力されると、第１の系列データに含まれる信号の特徴量である系列特徴量を抽出する処理と、系列特徴量が従う確率分布である系列確率分布を算出する処理と、第１の系列データにおける系列特徴量の基準とされる確率分布である基準確率分布に対する系列確率分布の変動具合を表す状態特徴量を算出する処理と、第１の系列データから算出される複数の状態特徴量に基づいて、第１の系列データの異常を検出する処理とをコンピュータに実行させるプログラムをコンピュータ読み取り可能に記録する。
　本発明によれば、状態の変化を伴う発生機構から生じる系列データからも異常を精度よく検出できる。
第１の実施形態の異常検出装置の構成例を示すブロック図である。 第１の実施形態の異常検出装置の動作の一例を示すフローチャートである。 第２の実施形態の異常検出装置の構成例を示すブロック図である。 基準確率分布生成部の例を示すブロック図である。 基準確率分布生成処理の処理フローの一例を示すフローチャートである。 第３の実施形態の異常検出装置の構成例を示すブロック図である。 通常モデル生成部の例を示すブロック図である。 第３の実施形態の異常検出装置の動作の一例を示すフローチャートである。 第４の実施形態の異常検出装置の構成例を示すブロック図である。 第４の実施形態の異常検出装置の動作の一例を示すフローチャートである。 第５の実施形態の異常検出装置の構成例を示すブロック図である。 系列データ分析部の例を示すブロック図である。 第５の実施形態の異常検出装置の動作の一例を示すフローチャートである。 第６の実施形態の異常検出装置の構成例を示すブロック図である。 第６の実施形態の異常検出装置の動作の一例を示すフローチャートである。 ハードウェア構成の一例を示すブロック図である。
　以下、図面を参照して本発明の実施形態を説明する。
　図面中の矢印の方向は、一例を示すものであり、ブロック間の信号の向きを限定するものではない。
実施形態１．
　本発明の第１の実施形態の異常検出装置１００について、図面を参照して説明する。図１に示す異常検出装置１００は、系列特徴量抽出部１０１と、系列確率分布算出部１０２と、基準確率分布格納部１０３と、状態特徴量算出部１０４と、異常検出部１０５とを備える。
　系列特徴量抽出部１０１は、系列データ（図１の信号）を入力とし、当該系列データから抽出した特徴量を出力する。より具体的には、系列特徴量抽出部１０１は、入力された系列データから所定の特徴量を抽出して、出力する。系列特徴量抽出部１０１が抽出する特徴量は、例えば、所定の時間単位で定義される各時間フレームの時点における信号の所定の特徴量であってもよい。以下、系列データから抽出した特徴量を、系列特徴量という場合がある。
　系列確率分布算出部１０２は、系列特徴量を入力とし、当該系列特徴量が従う確率分布である系列確率分布を算出し出力する。ここで、系列確率分布は、系列データがどのような系列特徴量をどのような確率で出力するかを表すものであればよい。すなわち、系列確率分布は、その系列特徴量の基となった系列データがどのような発生機構の状態の下で生成されたかに対応する。
　基準確率分布格納部１０３は、系列確率分布に対して基準となる確率分布である基準確率分布を格納する。基準確率分布は、入力された系列データの発生機構の状態において、利用者が基準として設定した状態に対応する。
　状態特徴量算出部１０４は、系列確率分布算出部１０２が算出した系列確率分布と、基準確率分布格納部１０３に格納された基準確率分布とを入力とし、状態特徴量を出力する。より具体的には、状態特徴量算出部１０４は、入力された基準確率分布からみた系列確率分布の変動具合を表す状態特徴量を算出して、出力する。本実施形態において、状態特徴量算出部１０４は、複数の状態特徴量を算出する。状態特徴量算出部１０４は、例えば、系列特徴量を算出した信号の第２の特徴量として、系列データに含まれる信号ごとに状態特徴量を算出してもよい。また、状態特徴量算出部１０４は、例えば、算出した状態特徴量を、系列データに含まれる信号の時間インデックスと対応づけて出力してもよい。
　異常検出部１０５は、状態特徴量算出部１０４から出力される複数の状態特徴量を入力とし、系列データの異常の有無を出力する。より具体的には、異常検出部１０５は、入力された複数の状態特徴量を基に、入力された系列データの発生機構の状態における異常の有無を検知して、出力する。
　異常検出部１０５は、例えば、系列データから算出される状態特徴量であって、所定の時間単位で定義される時間フレームごとの状態特徴量を時系列に並べたデータを第２の系列データとし、第２の系列データを統計処理して、異常の有無を検知してもよい。異常検出部１０５は、例えば、２以上の状態特徴量を基に、系列データにおける状態特徴量のモデルとして状態特徴量の確率分布を求め、求めた状態特徴量の確率分布を用いて、異常の有無を検知してもよい。
　次に、本実施形態の動作を説明する。図２は、本実施形態の異常検出装置１００の動作の一例を示すフローチャートである。
　図２に示す例では、まず異常検出装置１００に系列データが入力される（ステップＳ１０１）。次に、系列特徴量抽出部１０１が、入力された系列データから系列特徴量を算出する（ステップＳ１０２）。
　次に、系列確率分布算出部１０２が、算出された系列特徴量を基に、系列確率分布を算出する（ステップＳ１０３）。
　次に、状態特徴量算出部１０４が、算出された系列確率分布と、基準確率分布格納部１０３に格納されている基準確率分布とに基づいて、状態特徴量を算出する（ステップＳ１０４）。
　最後に、異常検出部１０５が、系列データから算出された２以上の状態特徴量を基に、系列データの異常を検出する（ステップＳ１０５）。
　以上のように、本実施形態に基づけば、入力された系列データの発生機構の状態の、基準の状態に対する変動具合を表す状態特徴量を複数用いて異常の検出を行うため、時々刻々と変化する発生機構の状態の変動具合を統計的に扱うことができる。すなわち、本実施形態では、状態特徴量が時々刻々と変化することを前提として、２以上の状態特徴量を用いて異常の検出を行う。このため、入力された系列データの発生機構の状態が変化する場合であっても、その系列データから異常、例えば、異常な外れ値や変化を適切に検出できる。
実施形態２．
　次に、本発明の第２の実施形態の異常検出装置２００について説明する。図３は、本実施形態の異常検出装置２００の例を示す構成図である。図３に示す異常検出装置２００は、系列データ分析部２１０と、異常検出部２０５とを備える。
　系列データ分析部２１０は、系列データ（図３の信号）を入力とし、状態特徴量を出力する処理部であり、系列特徴量抽出部２０１と、確率分布算出部２０２と、基準確率分布格納部２０３と、状態特徴量算出部２０４とを含む。
　なお、系列特徴量抽出部２０１、確率分布算出部２０２、基準確率分布格納部２０３及び状態特徴量算出部２０４は、第１の実施形態の系列特徴量抽出部１０１、系列確率分布算出部１０２、基準確率分布格納部１０３及び状態特徴量算出部１０４に対応している。異常検出装置２００は、図３に示すように、これらの処理部をまとまった１つのユニット（本実施形態では、系列データ分析部２１０）として実装してもよいし、第１の実施形態のように個別に実装してもよい。
　本実施形態においても、系列特徴量抽出部２０１は、入力された系列データから所定の特徴量（系列特徴量）を抽出し出力する。確率分布算出部２０２は、系列特徴量を入力とし、入力された系列特徴量が従う確率分布（系列確率分布）を算出し出力する。基準確率分布格納部２０３は、基準確率分布を格納する。状態特徴量算出部２０４は、系列確率分布と基準確率分布とを入力とし、入力された系列確率分布と基準確率分布とに基づいて状態特徴量を算出し出力する。
　また、異常検出部２０５は、第１の実施形態の異常検出部１０５に対応している。異常検出部２０５は、系列データ分析部２１０から出力された状態特徴量を入力とし、異常を検出する。
　以下では、入力される系列データが時系列音響信号ｘ（ｔ）である場合を例に用いて、異常検出装置２００の各処理部の処理をより具体的に説明する。
　ここで、ｔは時間を表すインデックスであり、所定の時間（例えば、装置を起動した時間）を原点すなわちｔ＝０として順次入力される音響信号の時間インデックスである。また、ｘ（ｔ）は、例えばマイクロフォン等のセンサで収録したアナログ信号をＡＤ変換（Analog to Digital Conversion）して得られるデジタル信号系列である。
　本実施形態は、次の場合を想定する。異常を検出したい環境（以下、対象環境という）にマイクロフォンが設置されている。そして、そのマイクロフォンで収録された音響信号が、異常検出装置２００に順次入力される。そして、時々刻々と変化する対象環境の状態のうち、異常な変化が検出される。このような場合、対象環境内に存在する人間の活動、対象環境内で駆動する機器の動作、又は対象環境の周辺環境の状態などが、系列データの発生機構の状態に対応する。本実施形態は、時々刻々と変化する対象環境の様子（より具体的には、系列データの発生機構の状態）のうち、異常な変化を検出することを目的とする。
　系列データ分析部２１０は、系列データｘ（ｔ）を入力とし、状態特徴量ｄ（ｉ）を出力する。以下、系列データ分析部２１０を構成する、系列特徴量抽出部２０１、確率分布算出部２０２、基準確率分布格納部２０３及び状態特徴量算出部２０４の動作について説明する。
　系列特徴量抽出部２０１は、系列データｘ（ｔ）を入力とし、所定の系列特徴量ｙ（ｉ）を抽出し出力する。ここで、ｉは時間フレームインデックスを表す。また、ｙ（ｉ）は時間フレームｉにおけるＫ次元特徴量を格納したベクトルである。時間フレームは、系列データｘ（ｔ）から系列特徴量ｙ（ｉ）を抽出するための時間幅の単位である。どのような系列特徴量を抽出するかに従って、ｉがどれほどの時間幅を表すかが、決定されてもよい。例えば、系列データが音響信号であった場合、ｉは一般に１０ミリ秒（ｍｓ）程度に設定される。この場合、ｔ＝０、ｉ＝０を基準に考えると、ｉは、ｉ＝１のときｔ＝１０ｍｓ，ｉ＝２のときｔ＝２０ｍｓ，…という対応関係となる。
　利用者が、系列特徴量とされる信号の特徴量の表現形式を、信号の種別に応じて選択してもよい。音響信号の特徴量としては、一般に公知のＭＦＣＣ（Mel-frequency Cepstrum Coefficients）特徴量などが広く用いられる。ＭＦＣＣ特徴量を用いる場合、特徴量の次元数Ｋは、一般に２０程度が用いられる。以下では、ｙ（ｉ）にＭＦＣＣ特徴量を用いる場合を例に説明するが、系列特徴量は、ＭＦＣＣ特徴量に限らず、音の周波数及び／又はパワーが表現される任意の特徴量であってもよい。
　確率分布算出部２０２は、入力された系列特徴量ｙ（ｉ）が従う確率分布である系列確率分布ｐｉ（ｙ）を算出し出力する。系列確率分布ｐｉ（ｙ）は、音響信号の例では、時間フレームｉの時点において、対象環境内にどのような音がどれほど含まれているのかを表すものとなる。系列確率分布ｐｉ（ｙ）の表現形式としては、例えば、混合ガウス分布又は隠れマルコフモデルなどが用いられる。
　混合ガウス分布を用いる場合、系列確率分布ｐｉ（ｙ）は、以下の［数１］のように表される。
　　［数１］
Figure JPOXMLDOC01-appb-I000001
　ここで、Ｎ（ｙ｜μｒ，ｉ，Σｒ，ｉ）は、Ｋ次元の平均ベクトルμｒ，ｉ及びＫ×Ｋの共分散行列Σｒ，ｉで特徴づけられるＫ次元ガウス分布を表す。Ｒはガウス分布の総数、ｒは各ガウス分布のインデックスを表し、πｒ，ｉはｒ番目のガウス分布の重みを表す。
　なお、隠れマルコフモデルを用いる場合は、系列データの発生機構の状態を潜在状態とし、それらから発生する系列データの特徴量である系列特徴量を観測データとして、系列データからそれらが観測される確率及び発生機構の状態の遷移確率を求めればよい。
　基準確率分布格納部２０３には、基準確率分布ｐｓ（ｙ）が格納される。基準確率分布ｐｓ（ｙ）には、例えば、系列確率分布ｐｉ（ｙ）と同様の表現形式の確率分布が用いられる。混合ガウス分布を用いる場合、基準確率分布ｐｓ（ｙ）は、以下の［数２］のように表される。
　　［数２］
Figure JPOXMLDOC01-appb-I000002
　状態特徴量算出部２０４は、系列確率分布ｐｉ（ｙ）と基準確率分布ｐｓ（ｙ）とを入力とし、基準確率分布ｐｓ（ｙ）からみた系列確率分布ｐｉ（ｙ）の変動具合を表す状態特徴量ｄ（ｉ）を抽出する。
　本実施形態では、状態特徴量算出部２０４は、状態特徴量ｄ（ｉ）として、入力された確率分布間の距離を所定の尺度で算出したものを用いる。状態特徴量算出部２０４は、状態特徴量ｄ（ｉ）として、例えば、ｐｓ（ｙ）とｐｉ（ｙ）との間のＫＬダイバージェンス（Kullback-Leibler divergence）などを用いてもよい。このほか、状態特徴量ｄ（ｉ）の例として確率分布に混合ガウス分布を用いた場合、状態特徴量算出部２０４は、次のような距離を用いることが考えられる。この距離とは、各ｒ番目のガウス分布同士のＫＬダイバージェンスをＲ個並べたベクトル、そのベクトルのノルム、各ｒ番目のガウス分布の平均ベクトルの二乗距離をＲ個並べたＲ次元ベクトル、又はそのＲ次元ベクトルのノルムなどである。
　例えば、各ｒ番目のガウス分布の平均ベクトルの二乗距離をＲ個並べたＲ次元ベクトルを用いる場合、状態特徴量ｄ（ｉ）は、以下の［数３］で表されるベクトル値になる。
　　［数３］
Figure JPOXMLDOC01-appb-I000003
　また、例えば、状態特徴量ｄ（ｉ）として、各ｒ番目のガウス分布の平均ベクトルの二乗距離をＲ個並べたＲ次元ベクトルのノルムを用いる場合、状態特徴量ｄ（ｉ）は、以下の［数４］で表されるスカラー値となる。
　　［数４］
Figure JPOXMLDOC01-appb-I000004
　ベクトル値の場合、状態特徴量ｄ（ｉ）は、基準確率分布ｐｓ（ｙ）から系列確率分布ｐｉ（ｙ）に対する変化の方向を表す特徴量となる。また、スカラー値の場合、状態特徴量ｄ（ｉ）は、ｐｓ（ｙ）からｐｉ（ｙ）への変化の大きさを表す特徴量となる。
　以下では、状態特徴量ｄ（ｉ）をスカラー値として説明する。しかし、ベクトル値の場合には、異常検出装置２００は、後段の異常検出部２０５を、ベクトル値を入力とする異常検出方法に変更するなど、ベクトル値に対応する形式に変更すればよい。
　基準確率分布格納部２０３は、例えば、系列データの発生機構が所定の状態である際の系列データを基準確率分布算出用系列データとして用いてあらかじめ算出した確率分布を、基準確率分布ｐｓ（ｙ）として保持してもよい。
　なお、図示省略しているが、異常検出装置２００は、基準確率分布格納部２０３の前段に、基準確率分布算出用系列データから基準確率分布を算出して基準確率分布格納部２０３に格納させる基準確率分布生成部を備えていてもよい。
　基準確率分布格納部２０３は、例えば、基準確率分布算出用系列データとして静まり返った深夜の状態に収録された音響信号を用いて算出された確率分布を保持してもよい。その場合、状態特徴量ｄ（ｉ）は、時間フレームｉにおける対象環境の状態が、静まり返った対象環境の状態と比較してどのように変化したのかという変動具合を表す特徴量となる。基準確率分布としては、ほかにも１日間収録した音響信号すべてを用いて算出した確率分布を用いてもよいし、興味のある特定の時間区間の音響信号を用いて算出した確率分布を用いてもよい。また、例えば、系列確率分布ｐｉ（ｙ）から状態特徴量を算出する場合には、基準確率分布格納部２０３は、系列確率分布ｐｉ－１（ｙ）を基準確率分布として用いてもよい。
　ここで、基準確率分布の算出方法を、図４を参照して説明する。図４は、上記の基準確率分布生成部の例を示すブロック図である。基準確率分布の算出方法は、まず系列特徴量抽出部２２１に基準確率分布算出用系列データ（図４の基準確率分布算出用信号）を入力する。系列特徴量抽出部２２１は、入力された基準確率分布算出用系列データから系列特徴量を抽出し出力する。次に、基準確率分布算出部２２２が、算出された系列特徴量を入力とし、その確率分布を算出して、基準確率分布格納部２０３に格納する。なお、系列特徴量抽出部２２１及び基準確率分布算出部２２２の動作は、系列特徴量抽出部２０１及び確率分布算出部２０２と同様でよい。また、基準確率分布算出用系列データには、あらかじめ用意したものを用いてもよいし、異常検出装置２００の動作中に得られた過去のデータ（特に、異常と判定されなかった系列データ）を用いてもよい。後者の場合、基準確率分布生成部は、基準確率分布を逐次求めてもよい。
　なお、基準確率分布生成部における系列特徴量抽出部２２１及び基準確率分布算出部２２２の動作を、系列データ分析部２１０の系列特徴量抽出部２０１及び確率分布算出部２０２が行ってもよい。
　異常検出部２０５は、状態特徴量ｄ（ｉ）を入力とし、系列データｘ（ｔ）の発生機構の異常な状態を検知する。異常検出部２０５は、例えば、状態特徴量ｄ（ｉ）を時系列に並べたデータを、第２の系列データとし、第２の系列データを統計処理して異常（統計的な外れ値又は発生機構の状態の変化点）を検出してもよい。異常検出部２０５は、統計処理として、上記の特許文献１に記載の方法を用いることも可能である。この場合、異常検出部２０５は、時間フレームごとの状態特徴量ｄ（ｉ）を系列データとして順次入力して、そのような系列データ（それより前の状態特徴量からなる系列）が発生する確率を確率分布で表すことでモデル化する。そして、異常検出部２０５は、モデル化された確率分布と、入力された系列データ（最新の状態特徴量ｄ（ｉ））とに基づき算出した外れ値スコアを基に、統計的な外れ値や発生機構の状態の変化点を検出してもよい。
　なお、本実施形態の動作は、基準確率分布の生成処理が別途（異常検出処理の前処理として、又は異常検出処理と並列して）行われる点が異なるだけで、基本的には第１の実施形態と同様である。なお、基準確率分布の生成処理は、異常検出装置２００以外の装置が行ってもよい。また、以下の本実施形態において、図２に示す第１の実施形態のステップＳ１０２～ステップＳ１０４の動作を、系列データの分析処理と呼ぶ場合がある。
　図５は、基準確率分布生成処理の処理フローの例を示すフローチャートである。図５に示す例では、まず、基準確率分布生成用系列データが入力されると（ステップＳ２１１）、系列特徴量抽出部２２１が、入力された基準確率分布生成用系列データから系列特徴量を抽出する（ステップＳ２１２）。
　次に、基準確率分布算出部２２２が、算出された系列特徴量が従う確率分布を算出し（ステップＳ２１３）、基準確率分布として基準確率分布格納部２０３に格納する（ステップＳ２１４）。
　以上のように、本実施形態に基づけば、第１の実施形態と同様に、状態の変化を伴う発生機構から発生した系列データから異常を精度よく検出することができる。
　これに対して、特許文献１に記載の方法は、本実施形態でいう系列特徴量抽出部２０１で出力した系列特徴量を基に、変化点又は外れ値を検知する方法である。すると、系列データの発生機構が時々刻々と変化するような状況では、発生機構の変化すべてを検知対象として検知を行うため、その変化が発生機構にとって正常なものか異常なものであるのかの判別ができない。本実施形態は、入力された系列データの発生機構における、基準の状態に対する状態の変動具合を基にした状態特徴量を用いて異常を検出するため、そのような問題を解決している。
実施形態３．
　次に、本発明の第３の実施形態の異常検出装置３００について説明する。図６は、本実施形態の異常検出装置３００の例を示す構成図である。図６に示す異常検出装置３００は、系列データ分析部３０１と、通常モデル格納部３０２と、異常検出部３０３とを備える。
　系列データ分析部３０１は、第２の実施形態の系列データ分析部２１０と同様でよい。すなわち、系列データ分析部３０１は、系列データｘ（ｔ）（図６の信号）を入力とし、状態特徴量ｄ（ｉ）を算出し出力する。
　通常モデル格納部３０２は、通常状態（正常時）における状態特徴量をモデル化した通常モデルを格納する。通常モデルは、例えば、少なくとも特定の周期内の時間を指し示すモデルインデックスが示す時点の通常の状態における状態特徴量の確率分布であってもよい。また、例えば、通常モデル格納部３０２は、特定の周期内の異なる時間を指し示す複数のモデルインデックスに対応する複数の通常モデルを格納してもよい。
　なお、図示省略しているが、異常検出装置３００は、通常モデル格納部３０２の前段に、通常モデル算出用系列データから通常モデルを算出して通常モデル格納部３０２に格納させる通常モデル生成部を備えていてもよい。
　図７は、通常モデル生成部の例を示すブロック図である。通常モデルの算出方法は、まず系列データ分析部３１１に通常モデル算出用系列データ（図７の通常モデル算出用信号）を入力する。系列データ分析部３１１は、入力された通常モデル算出用系列データから状態特徴量を算出する。次に、通常モデル算出部３１２が、算出された状態特徴量を入力とし、当該状態特徴量の周期的な変化の様子をモデル化し、通常モデルとして通常モデル格納部３０２に格納する。なお、系列データ分析部３１１の動作は、系列データ分析部３０１と同様でよい。また、通常モデル算出用系列データには、あらかじめ用意したものを用いてもよいし、異常検出装置３００の動作中に得られた過去のデータ（特に、異常と判定されなかった系列データ）を用いてもよい。後者の場合、通常モデル生成部は、通常モデルを逐次求めてもよい。
　なお、通常モデル生成部における系列データ分析部３１１の動作を、系列データ分析部３０１が行ってもよい。
　以下では、ｍに対応する時間フレームｉの状態特徴量ｄ（ｉ）の確率分布ｑｍ（ｄ（ｉ））を通常モデルとして用いる場合を例に説明する。ここで、ｍはモデルに関するインデックスである。
　以下、音響信号から施設の異常を検出する場合を例に用いて、通常モデルの生成方法及びｍの例を説明する。施設等において発生する音は、通常、人間の活動に基づいて１日を周期にして変化する。例えば、学校施設等における異常の検出のために、マイクロフォンを学校校舎入り口に設置したとする。この場合、学校校舎入り口は、早朝は音がほとんどせず、登校時間は急激に学生の声で騒がしくなる。学校校舎入り口は、日中は講義と休み時間の繰り返しに従って、静かな時間帯と騒がしい時間帯とが急激な変化を伴い交互に繰り返される。そして、学校校舎入り口は、下校時間後には徐々に静まりかえり、夜を迎える。このように、音の変化は、２４時間周期で繰り返す。このような変化に追従して、状態特徴量ｄ（ｉ）も、２４時間周期で変化する。
　既に説明したように、ｉは、時間フレームインデックスであり、所定の時間（例えば、装置の動作開始時間）を０として、装置が動作し続ける間、値は増加し続ける。このような条件下で、１日における各時刻の通常モデルを作る場合を考えると、通常モデル生成部は、ｍを、日付を問わない時刻（１０時１０分など）で定義されるモデルインデックスとすればよい。例えば、時間フレームｉの時間幅を１分とし、原点ｉ＝０の実時刻がある日の１８時００分だとすると、ｉ＝１４４０も、１８時００分となる。以上の性質を利用して、ｍを時刻で定義した場合、通常モデル生成部は、ｉが時刻ｍとなるような複数のｄ（ｉ）を用いて、ｑｍ（ｄ（ｉ））を算出する。このようなｑｍ（ｄ（ｉ））は、通常の時刻ｍの状態が、ある平均の下で日（周期）に従って、ばらつきをもって観測されるという仮定に基づいている。
　そのようなｑｍ（ｄ（ｉ））をガウス分布で表すと、ｑｍ（ｄ（ｉ））は、次の［数５］のようになる。
　　［数５］
Figure JPOXMLDOC01-appb-I000005
　なお、通常モデル生成部は、通常モデルｑｍ（ｄ（ｉ））の表現形式としては、ガウス分布以外にも、例えば、混合ガウス分布、又は、隠れマルコフモデルを用いてもよい。なお、隠れマルコフモデルを用いる場合は、通常モデル生成部は、系列データの発生機構の状態を潜在状態とする。そして、通常モデル生成部は、それらから発生する系列データの特徴量である系列特徴量の基準に対する変動具合を示す状態特徴量を観測データとして、通常状態においてそれらが観測される確率及び発生機構の状態の遷移確率を求めればよい。
　また、上記の例では、２４時間を周期の単位に用いて通常モデルを生成する例を示したが、対象となる系列データの発生機構の活動周期があらかじめ分かっている場合、その活動周期で定義されるｍを用いて通常モデルを生成すればよい。例えば、時刻だけでなく曜日にも従って系列データの発生機構の状態（活動内容）が変わる場合、ｍを曜日と時刻とで定義し、曜日ごとの時刻に対応した通常モデルを生成してもよい。また、例えば、学校での講義とその休み時間の繰り返しに対応する通常モデルを生成したい場合には、ｍを講義と休み時間との長さに対応する定義を行うなど、通常モデルを生成する周期を利用者が自由に設定することが可能である。また、通常モデルは、曜日ごとの通常モデルと、講義と休み時間との繰り返しの通常モデルといったように、複数の通常モデルを組み合わせて用いることも可能である。この場合、１つの状態特徴量が複数の通常モデルの生成に用いられてもよい。
　異常検出部３０３は、系列データ分析部３０１から入力される状態特徴量ｄ（ｉ）を基に、当該異常検出装置３００に入力された系列データの発生機構の状態において異常の有無を検知し出力する。異常検出部３０３は、例えば、入力された状態特徴量ｄ（ｉ）のｉが対応するｍを用いて示される通常モデルがその状態特徴量ｄ（ｉ）をとる確率を表すスコアを算出して、そのスコアに基づいて異常の有無を検知してもよい。スコアは、例えば、通常モデル格納部３０２に通常モデルとして格納されている確率分布ｑｍ（ｄ（ｉ））に、入力された状態特徴量ｄ（ｉ）を代入して得られる確率値であってもよい。その場合、異常検出部３０３は、算出したスコアがあらかじめ定義しておいた閾値未満であれば異常ありとし、閾値以上であれば異常なしとしてもよい。
　次に、本実施形態の動作を説明する。図８は、本実施形態の異常検出装置３００の動作の一例を示すフローチャートである。
　図８に示す例では、まず異常検出装置３００に系列データｘ（ｔ）が入力される（ステップＳ３０１）。
　次に、系列データ分析部３０１が、入力された系列データｘ（ｔ）に対して、系列データの分析処理を行い、得られた状態特徴量ｄ（ｉ）を出力する（ステップＳ３０２）。
　最後に、異常検出部３０３が、状態特徴量ｄ（ｉ）と、通常モデル格納部３０２に格納されている通常モデルとに基づいて、系列データｘ（ｔ）の異常を検出する（ステップＳ３０３）。
　なお、図示省略しているが、異常検出装置３００は、上記の異常検出処理の前処理として、又は異常検出処理と並列して、通常モデルの生成処理を行ってもよい。
　以上のように、本実施形態に基づけば、第２の実施形態の効果に加えて、時系列上での異常のみではなく、入力された系列データの発生機構の状態変化の周期に基づく異常を検知することができる。したがって、本実施形態に基づけば、時系列上のみではなく、任意の周期から見た異常を検出することができる。
実施形態４．
　次に、本発明の第４の実施形態の異常検出装置４００について説明する。図９は、本実施形態の異常検出装置４００の例を示す構成図である。図９に示す異常検出装置４００は、系列データ分析部４０１と、状態特徴量系列生成部４０２と、異常検出部４０３とを備える。
　系列データ分析部４０１は、第２の実施形態の系列データ分析部２１０と同様である。すなわち、系列データ分析部４０１は、系列データｘ（ｔ）（図９の信号）を入力とし、状態特徴量ｄ（ｉ）を算出し出力する。
　状態特徴量系列生成部４０２は、状態特徴量ｄ（ｉ）を入力とし、状態特徴量系列ｄ２（ｙ）を出力する。ここで、状態特徴量系列ｄ２（ｊ）は、状態特徴量ｄ（ｉ）を変換（再編成）することに基づいて得られるｄ（ｉ）と同じ次元数をもつベクトル又はスカラー値である。また、ｊは、状態特徴量系列に関するインデックスである。
　以下、音響信号から施設の異常を検出する場合を例に用いて、状態特徴量系列の生成方法及びｊの例を説明する。既に説明したように、施設等において発生する音は、通常、人間の活動に従って所定の周期（例えば、２４時間）で変化する。このことは、状態特徴量も所定の周期で変化することを表す。
　そこで、ｊは、そのような周期内での時間フレームのインデックスとして定義されてもよい。例えば、時間フレームｉの時間幅を１分とし、原点ｉ＝０の実時刻が１月１日１８時００分だとすると、ｉ＝１４４０は、１月２日１８時００分となる。そのような場合に、ｊは、２４時間周期内での１分単位の時間フレームインデックスと定義されてもよい。すると、ｄ２（ｊ）は、１日におけるｊが示す各時刻の状態特徴量の系列となる。つまり、上記の例で、ｊ１＝１８時００分と定義すると、ｄ２（ｊ１）＝［ｄ（０），ｄ（１４４０），…］のように、時間フレームｉが、１８時００分に対応するｄ（ｉ）を並べたデータとして表される。
　また、今回は、周期が２４時間である場合を例にして説明した。しかし、対象となる系列データの発生機構の活動周期があらかじめ分かっている場合には、その活動周期に基づいて、ｊは定義されればよい。その際、例えば、曜日別の時刻ごとに状態特徴量系列を生成したい場合には、ｙは、曜日と時刻とで定義されてもよい。また、例えば、学校での講義とその休み時間との繰り返しに対応した状態特徴量系列を生成したいのであれば、ｊが講義と休み時間の長さに対応して定義されるなど、利用者は、状態特徴量系列の要素とされる状態特徴量を抽出する周期を自由に設定してよい。このとき、ｊは、繰り返される系列データの発生機構の状態において同じ状態とみなせる時間フレームの状態特徴量が抽出できるように定義されるのがより好ましい。なお、ｊの定義は、１つに限られない。例えば、曜日ごとの状態特徴量系列と、講義ごと及び休み時間ごとの状態特徴量系列といったように、複数の周期に対応する状態特徴量系列が、生成されてもよい。この場合、１つの状態特徴量が、複数の状態特徴量系列の生成に用いられてもよい。
　異常検出部４０３は、状態特徴量系列ｄ２（ｊ）を入力とし、系列データｘ（ｔ）の発生機構の異常な状態を検知する。異常検出部４０３は、例えば、上記の特許文献１に記載の方法を用いて、状態特徴量系列ｄ２（ｊ）から異常の有無を検出してもよい。この場合、異常検出部４０３は、各ｊについて、状態特徴量系列ｄ２（ｊ）を系列データとして順次入力する。そして、異常検出部４０３は、そのような系列データ（例えば、それより前の当該ｊに対応する時間フレームｉをもつ状態特徴量ｄ（ｉ）の系列）が発生する確率を確率分布で表すことでモデル化する。そして、異常検出部４０３は、モデル化された確率分布と、入力された系列データ（当該ｊに対応する時間フレームｉの最新の状態特徴量ｄ（ｉ））とに基づいて算出した外れ値スコアを基に、統計的な外れ値又は発生機構の状態の変化点を検出してもよい。
　次に、本実施形態の動作について説明する。図１０は、本実施形態の異常検出装置４００の動作の一例を示すフローチャートである。なお、ステップＳ４０１～ステップＳ４０２の動作は、第３の実施形態のステップＳ３０１～ステップＳ３０２と同様である。
　本実施形態では、系列データの分析処理で、状態特徴量ｄ（ｉ）が算出されると（ステップＳ４０２）、状態特徴量系列生成部４０２が、状態特徴量ｄ（ｉ）から状態特徴量系列ｄ２（ｊ）を生成する（ステップＳ４０３）。
　最後に、異常検出部４０３が、状態特徴量系列ｄ２（ｊ）に基づいて、系列データｘ（ｔ）の異常を検出する（ステップＳ４０４）。
　以上のように、本実施形態に基づけば、第２の実施形態の効果に加えて、時系列上での異常のみではなく、入力された系列データの発生機構の状態変化の周期に基づく異常を検出することができる。したがって、本実施形態に基づけば、時系列上のみではなく任意の周期から見た異常を検出することができる。
実施形態５．
　次に、本発明の第５の実施形態の異常検出装置５００について説明する。図１１は、本実施形態の異常検出装置５００の例を示す構成図である。図１１に示す異常検出装置５００は、分散データ分析部５１０と、通常モデル格納部５０２と、異常検出部５０３とを備える。
　分散データ分析部５１０は、Ｎ個の発生機構から発生し各系列データｘ１（ｔ），…，ｘＮ（ｔ）（図１１の信号１～Ｎ）を入力とし、各系列データから状態特徴量を算出する処理部である。分散データ分析部５１０は、Ｎ個の系列データ分析部５０１（系列データ分析部５０１－１～５０１－Ｎ）を含む。
　系列データ分析部５０１－１～５０１－Ｎは、各々、対応する系列データｘｎ（ｔ）を入力とし、状態特徴量ｄ（ｉ，ｎ）を出力する。ここで、ｎは、系列データの発生機構のインデックス（以下、機構インデックスという）を表す。例えば、系列データ分析部５０１－１は、系列データｘ１（ｔ）を入力とし、状態特徴量ｄ（ｉ，１）を出力する。
　以下では、音響信号から異常を検出するために、異常を検出したい環境（対象環境）に、Ｎ個のマイクロフォンを空間的に分散配置させる場合を考える。このような場合において、系列データｘｎ（ｔ）の発生機構は、音響信号（ｘｎ（ｔ））を収録したマイクロフォンの周囲環境に相当する。その場合、ｎは、マイクロフォンの識別子として定義されてもよいし、マイクロフォンを設置した空間的なインデックス（例えばマイクロフォンを設置した場所の３次元座標）として定義されてもよい。あるいは、ｎは、マイクロフォンを設置した場所の識別子として定義されてもよい。例えば、学校施設の異常検出のために各教室にマイクロフォンを設置した場合、ｎは、マイクロフォンを設置した教室のインデックスとして定義されてもよい。
　図１２は、系列データ分析部５０１－ｎの構成例を示すブロック図である。図１２に示すように、各系列データ分析部５０１は、系列特徴量抽出部５１１と、確率分布算出部５１２と、基準確率分布格納部５１３と、状態特徴量算出部５１４とを含む。なお、系列特徴量抽出部５１１、及び、確率分布算出部５１２の動作は、基本的には、第２の実施形態の系列特徴量抽出部２０１、及び、確率分布算出部２０２と同様である。同様に、基準確率分布格納部５１３、及び、状態特徴量算出部５１４の動作は、基本的には、第２の実施形態の基準確率分布格納部２０３、及び、状態特徴量算出部２０４と同様である。
　なお、基準確率分布格納部５１３は、基準確率分布として、所定の発生機構における基準の確率分布を格納することも可能である。これは、異常検出装置５００の入力がＮ個の発生機構から発生する各系列データであるからである。すなわち、１つの系列データを入力していた異常検出装置２００では、基準確率分布は、所定の時間における対象環境の状態を表すものであった。これに対して、本実施形態では、基準として、機構インデックスｎが示す発生機構における通常の状態を定義することができる。
　例えば、Ｎ個のマイクロフォンを空間的に分散配置した場合における、第１の場所（ｎ＝ｎ１）に設置されたマイクロフォンから得られた音響信号ｘｎ１（ｔ）を用いて表される当該場所の周囲状態を基準とすることを考える。そのような場合、状態特徴量ｄ（ｉ，ｎ）は、第１の場所（ｎ１）の周囲状態を基準としてみた場合の当該ｎが示す場所の周囲状態という特徴を表すものとなる。そのような場合には、時系列における関係性のみではなく、複数の発生機構の間の関係性（音響信号でいえば空間的な関係性）も用いて異常状態を検知することができる。 なお、基準とする発生機構はｎごとに異なっていてもよい。
　通常モデル格納部５０２は、通常状態における状態特徴量ｄ（ｉ，ｎ）をモデル化した通常モデルを格納する。なお、図示省略しているが、異常検出装置５００は、通常モデル格納部５０２の前段に、状態特徴量ｄ（ｉ，ｎ）から通常モデルを生成して通常モデル格納部５０２に格納させる通常モデル生成部を備えていてもよい。
　以下、状態特徴量ｄ（ｉ，ｎ）の確率分布ｑｍ（ｄ（ｉ））を通常モデルとして用いる場合を例に説明する。ここで、ｍはモデルに関するインデックスである。なお、第３の実施形態におけるｍは時間に対応するインデックスであったが、本実施形態におけるｍは、時間に加え、機構インデックスｎにも対応する。例えば、通常モデル生成部は、ｍを、「第１の場所（ｎ１）に対応するｎ」と定義して、第１の場所（ｎ＝ｎ１）の状態特徴量を用いて通常モデルを生成してもよい。あるいは、通常モデル生成部は、ｍを、「第１の場所（ｎ１）に対応する時刻１８：００におけるｎとｉ」と定義して、第１の場所（ｎ＝ｎ１）の状態特徴量のうちｉが時刻１８：００に対応する状態特徴量を用いて通常モデルを生成してもよい。また、通常モデル生成部は、例えば、ｍを、「第１の場所（ｎ１）を基準とするｎ’（≠ｎ）に対応するｎ」と定義して、第１の場所（ｎ１）を基準とするｎの特徴量を用いて通常モデルを生成してもよい。また、通常モデル生成部は、第３の実施形態と同様、ｍを、時間及び機構インデックスに関して複数の観点（曜日と時刻、場所と基準など）を組み合わせて定義してもよい。あるいは、通常モデル生成部は、各々の観点に従って定義した複数種類のｍ（ｍ１，ｍ２，…等）を用いて複数種類の通常モデルを生成してもよい。
　なお、通常モデルの生成方法は、第３の実施形態と同様でよい。通常モデルは、例えば、ｍに対応する時間フレームｉ及び機構インデックスｎの状態特徴量ｄ（ｉ，ｎ）の確率分布ｑｍ（ｄ（ｉ，ｎ））であってもよい。
　異常検出部５０３は、分散データ分析部５１０から入力される状態特徴量ｄ（ｉ，ｎ）を基に、当該異常検出装置５００に入力された系列データの発生機構の状態において異常の有無を検知し出力する。異常検出部５０３は、例えば、入力された各状態特徴量ｄ（ｉ，ｎ）のｉ及びｎが対応するｍに従って示される通常モデルがその状態特徴量ｄ（ｉ，ｎ）をとる確率を表すスコアを算出して、そのスコアに基づいて異常の有無を検知してもよい。なお、スコアの算出方法及びスコアに基づく異常の有無の判定方法は、第３の実施形態と同様でよい。
　次に、本実施形態の動作を説明する。図１３は、本実施形態の異常検出装置５００の動作の一例を示すフローチャートである。
　図１３に示す例では、異常検出装置５００にＮ個の系列データｘ１（ｔ），…，ｘＮ（ｔ）が入力される。各系列データｘｎ（ｔ）は、対応する分散データ分析部５１０－ｎに入力される。各々の分散データ分析部５１０－ｎが、入力された系列データｘｎ（ｔ）に対して、系列データの分析処理を行う（ステップＳ５０１－１～ステップＳ５０１－Ｎ）。系列データの分析処理は、第２の実施形態と同様である。
　最後に、異常検出部５０３が、Ｎ個の分散データ分析部５１０－ｎから得られた状態特徴量ｄ（ｉ，ｎ）と、通常モデルとを基に、Ｎ個の系列データｘ１（ｔ），…，ｘＮ（ｔ）の異常を検出する（ステップＳ５０２）。
　以上のように、本実施形態に基づけば、１つの発生機構の状態の変化の周期といった時間の関係性に加えて、複数の発生機構間の関係性を基にした状態特徴量に基づいて異常を検知することができる。したがって、第３の実施形態の効果に加えて、入力された系列データの発生機構間の関係性に基づく異常を検知することができる。すなわち、本実施形態に基づけば、複数の発生機構の間における関係性からみた異常な外れ値・変化を検出することができる。
実施形態６．
　次に、本発明の第６の実施形態の異常検出装置６００について説明する。図１４は、本実施形態の異常検出装置６００の例を示す構成図である。図１４に示す異常検出装置６００は、分散データ分析部６１０と、状態特徴量系列生成部６０２と、異常検出部６０３とを備える。
　分散データ分析部６１０は、第５の実施形態の分散データ分析部５１０と同様の動作を行い、Ｎ個の発生機構から発生した系列データｘ１（ｔ），ｘ２（ｔ），…，ｘＮ（ｔ）（図１４の信号１～Ｎ）を入力とし、状態特徴量ｄ（ｉ，ｎ）を出力する。
　分散データ分析部６１０は、Ｎ個の系列データ分析部６０１（系列データ分析部６０１－１～６０１－Ｎ）を含む。
　状態特徴量系列生成部６０２は、状態特徴量ｄ（ｉ，ｎ）を入力とし、状態特徴量系列ｄ２（ｊ，ｎ）を出力する。ここで、状態特徴量系列ｄ２（ｊ，ｎ）は、状態特徴量ｄ（ｉ，ｎ）を変換することに基づいて得られるｄ（ｉ，ｎ）と同じ次元数をもつベクトル又はスカラー値である。ｊは、状態特徴量系列に関するインデックスである。なお、ｊの定義は、第４の実施形態の状態特徴量系列生成部４０２と同様でよい。すなわち、状態特徴量系列ｄ２（ｊ，ｎ）は、状態特徴量系列生成部４０２における状態特徴量系列ｄ２（ｊ）を、機構インデックスｎごとに生成したものと言える。すなわち、状態特徴量系列生成部６０２は、状態特徴量系列生成部４０２の動作を、Ｎ回行うといったようにｎに対応する形に変更したものである。
　異常検出部６０３は、状態特徴量系列ｄ２（ｊ，ｎ）を入力とし、系列データｘｎ（ｔ）の発生機構の異常な状態を検知する。本実施形態において、ｄ２（ｊ，ｎ）は、時間に関するインデックスｊと、機構インデックスｎとを含むことから、異常検出部６０３は、時間的関係だけでなく発生機構の関係からみた異常を検出することができる。なお、異常検出部６０３における異常の検出方法は、第４の実施形態の異常検出部４０３と同様でよい。
　なお、異常検出部６０３は、ｊを、ｍと同様に、ｉだけでなくｎにも対応させて定義づけてもよい。その場合、状態特徴量系列生成部６０２が出力する状態特徴量系列の形式はｄ２（ｊ）となるが、ｊの取り得る値が変わるだけで、当該状態特徴量系列が、時間的関係と発生機構間の関係の両方を表しうることに変わりはない。
　次に、本実施形態の動作を説明する。図１５は、本実施形態の異常検出装置６００の動作の一例を示すフローチャートである。なお、ステップＳ６０１－１～ステップＳ６０１－Ｎの動作は、第５の実施形態のステップＳ５０１－１～ステップＳ５０１－Ｎと同様である。
　本実施形態では、各系列データの分析処理で、状態特徴量ｄ（ｉ，ｎ）が算出されると、状態特徴量系列生成部６０２が、状態特徴量ｄ（ｉ，ｎ）から状態特徴量系列ｄ２（ｊ，ｎ）を生成する（ステップＳ６０２）。
　最後に、異常検出部６０３が、状態特徴量系列ｄ２（ｊ，ｎ）に基づいて、Ｎ個の系列データｘ１（ｔ），…，ｘＮ（ｔ）の異常を検出する（ステップＳ６０３）。
　以上のように、本実施形態は、１つの発生機構の状態の変化の周期といった時間の関係性に加えて、複数の発生機構間の関係性を基に状態特徴量をまとめたものを新たな系列データ（状態特徴量系列）とし、それに基づいて異常を検出する。したがって、第４の実施形態の効果に加えて、入力された系列データの発生機構間の関係性に基づく異常を検出することができる。すなわち、本実施形態に基づけば、複数の発生機構の間における関係性からみた異常を検出することができる。
　なお、上記の実施形態において、系列データの例として時系列音響信号を示したが、系列データは時系列音響信号に限られない。例えば、系列データは、温度センサから得られる時系列温度信号、振動センサから得られる時系列振動信号、又はカメラから得られる映像信号などの任意の系列データでもよい。あるいは、系列データは、電力使用量の時系列データ、需要家ごとの電力使用量の系列データ、ネットワークにおける呼量の時系列データ、風量の時系列データ、又は一定範囲における降雨量の空間系列データでもよい。あるいは、系列データは、その他にも、角度系列データ、又は、テキストなどの離散系列データなどであってもよい。当然に、系列データには、等間隔の系列データのみではなく不等間隔の系列データも含まれる。
　また、本発明は、複数の機器から構成されるシステムに適用されてもよいし、単体の装置に適用されてもよい。さらに、本発明は、実施形態の機能を実現する情報処理プログラムが、システムあるいは装置に直接あるいは遠隔から供給される場合にも適用可能である。したがって、本発明の機能をコンピュータで実現するために、コンピュータにインストールされるプログラム、あるいはそのプログラムを格納した媒体、そのプログラムをダウンロードさせるＷＷＷ(World Wide Web)サーバも、本発明の範疇に含まれる。特に、少なくとも、上述した実施形態に含まれる処理ステップをコンピュータに実行させるプログラムを格納した非一時的コンピュータ可読媒体（non-transitory computer readable medium）は本発明の範疇に含まれる。
　［ハードウェア構成］
　以上の説明した異常検出装置１００ないし６００のハードウェア構成について、異常検出装置１００を参照して説明する。
　異常検出装置１００は、次のように構成される。例えば、異常検出装置１００の各構成部は、ハードウェア回路で構成されてもよい。また、異常検出装置１００において、各構成部は、ネットワークを介して接続した複数の装置を用いて、構成されてもよい。また、異常検出装置１００において、複数の構成部は、１つのハードウェアで構成されてもよい。また、異常検出装置１００は、ＣＰＵ（Central Processing Unit）と、ＲＯＭ（Read Only Memory）と、ＲＡＭ（Random Access Memory）とを含むコンピュータ装置として実現されてもよい。異常検出装置１００は、上記構成に加え、さらに、入出力接続回路（ＩＯＣ：Input / Output Circuit）と、ネットワークインターフェース回路（ＮＩＣ：Network Interface Circuit）とを含むコンピュータ装置として実現されてもよい。
　図１６は、異常検出装置１００のハードウェアの一例である情報処理装置７００の構成の一例を示すブロック図である。
　情報処理装置７００は、ＣＰＵ７１０と、ＲＯＭ７２０と、ＲＡＭ７３０と、内部記憶装置７４０と、ＩＯＣ７５０と、ＮＩＣ７８０とを含み、コンピュータ装置を構成している。
　ＣＰＵ７１０は、ＲＯＭ７２０からプログラムを読み込む。そして、ＣＰＵ７１０は、読み込んだプログラムに基づいて、ＲＡＭ７３０と、内部記憶装置７４０と、ＩＯＣ７５０と、ＮＩＣ７８０とを制御する。そして、ＣＰＵ７１０を含むコンピュータは、これらの構成を制御し、系列特徴量抽出部１０１、系列確率分布算出部１０２、状態特徴量算出部１０４、及び異常検出部１０５としての機能を実現する。
　ＣＰＵ７１０は、各機能を実現する際に、ＲＡＭ７３０又は内部記憶装置７４０を、プログラムの一時記憶媒体として使用してもよい。
　また、ＣＰＵ７１０は、コンピュータで読み取り可能にプログラムを記憶した記録媒体７９０が含むプログラムを、図示しない記憶媒体読み取り装置を用いて読み込んでもよい。あるいは、ＣＰＵ７１０は、ＮＩＣ７８０を介して、図示しない外部の装置からプログラムを受け取り、ＲＡＭ７３０に保存して、保存したプログラムを基に動作してもよい。
　ＲＯＭ７２０は、ＣＰＵ７１０が実行するプログラム及び固定的なデータを記憶する。ＲＯＭ７２０は、例えば、Ｐ－ＲＯＭ（Programmable-ROM）又はフラッシュＲＯＭである。
　ＲＡＭ７３０は、ＣＰＵ７１０が実行するプログラム及びデータを一時的に記憶する。ＲＡＭ７３０は、例えば、Ｄ－ＲＡＭ（Dynamic-RAM）である。
　内部記憶装置７４０は、情報処理装置７００が長期的に保存するデータ及びプログラムを記憶する。内部記憶装置７４０は、基準確率分布格納部１０３として動作する。また、内部記憶装置７４０は、ＣＰＵ７１０の一時記憶装置として動作してもよい。内部記憶装置７４０は、例えば、ハードディスク装置、光磁気ディスク装置、ＳＳＤ（Solid State Drive）又はディスクアレイ装置である。
　ここで、ＲＯＭ７２０と内部記憶装置７４０は、不揮発性（non-transitory）の記憶媒体である。一方、ＲＡＭ７３０は、揮発性（transitory）の記憶媒体である。そして、ＣＰＵ７１０は、ＲＯＭ７２０、内部記憶装置７４０、又は、ＲＡＭ７３０に記憶されているプログラムを基に動作可能である。つまり、ＣＰＵ７１０は、不揮発性記憶媒体又は揮発性記憶媒体を用いて動作可能である。
　ＩＯＣ７５０は、ＣＰＵ７１０と、入力機器７６０及び表示機器７７０とのデータを仲介する。ＩＯＣ７５０は、例えば、ＩＯインターフェースカード又はＵＳＢ（Universal Serial Bus）カードである。さらに、ＩＯＣ７５０は、ＵＳＢのような有線に限らず、無線を用いてもよい。
　入力機器７６０は、情報処理装置７００の操作者からの入力指示を受け取る機器である。入力機器７６０は、例えば、キーボード、マウス又はタッチパネルである。
　表示機器７７０は、情報処理装置７００の操作者に情報を表示する機器である。表示機器７７０は、例えば、液晶ディスプレイである。
　ＮＩＣ７８０は、ネットワークを介した図示しない外部の装置とのデータのやり取りを中継する。ＮＩＣ７８０は、例えば、ＬＡＮ（Local Area Network）カードである。さらに、ＮＩＣ７８０は、有線に限らず、無線を用いてもよい。
　このように構成された情報処理装置７００は、異常検出装置１００と同様の効果を得ることができる。
　その理由は、情報処理装置７００のＣＰＵ７１０が、プログラムに基づいて異常検出装置１００と同様の機能を実現できるためである。
　また、上記の各実施形態は以下の付記のようにも記載できる。
　（付記１）第１の系列データが入力されると、第１の系列データに含まれる信号の特徴量である系列特徴量を抽出する系列特徴量抽出手段と、系列特徴量が従う確率分布である系列確率分布を算出する系列確率分布算出手段と、第１の系列データにおける系列特徴量の基準とされる確率分布である基準確率分布を格納する基準確率分布格納手段と、基準確率分布に対する系列確率分布の変動具合を表す状態特徴量を算出する状態特徴量算出手段と、第１の系列データから算出される複数の状態特徴量に基づいて、第１の系列データの異常を検出する異常検出手段とを備えたことを特徴とする異常検出装置。
　（付記２）系列特徴量抽出手段は、所定の時間単位で定義される各時間フレームの時点における信号の所定の特徴量を、系列特徴量として抽出し、系列確率分布算出手段は、時間フレームごとの系列特徴量を確率変数とする確率分布を算出し、状態特徴量算出手段は、時間フレームごとに、時間フレームの時点における系列確率分布と、時間フレームの時点に対応する基準確率分布との間の距離を所定の尺度で表した状態特徴量を算出し、異常検出手段は、第１の系列データから算出される時間フレームごとの状態特徴量を基に、異常を検出する付記１に記載の異常検出装置。
　（付記３）
　異常検出手段は、第１の系列データから算出される時間フレームごとの状態特徴量を時系列に並べたデータを第２の系列データとし、第２の系列データを統計処理して、異常を検出する
　付記２に記載の異常検出装置。
　（付記４）
　第１の系列データにおける正常時の状態特徴量の確率分布であって、少なくとも特定の周期内の時間を指し示すモデルインデックスに基づいて特定される状態特徴量の確率分布である通常モデルを格納する通常モデル格納手段を備え、
　異常検出手段は、算出された状態特徴量と、通常モデルとに基づいて、異常を検出する
　付記１ないし３のいずれか１項に記載の異常検出装置。
　（付記５）
　異常検出手段は、算出された状態特徴量を得た時点に対応する通常モデルが示す状態特徴量が生じる確率を基に算出されるスコアを基に、異常を検出する
　付記４に記載の異常検出装置。
　（付記６）
　所定の時間単位で定義される時間フレームごとの状態特徴量を所定の周期に応じて再編成して１つ以上の状態特徴量系列を生成する状態特徴量系列生成手段を備え、
　異常検出手段は、状態特徴量系列の各々を第２の系列データとし、第２の系列データを統計処理して、異常を検出する
　付記２に記載の異常検出装置。
　（付記７）
　対象環境内の異なる場所の状態を表す複数の第１の系列データが入力され、
　系列特徴量抽出手段、系列確率分布算出手段、基準確率分布格納手段、及び、状態特徴量算出手段を、入力される第１の系列データの数分備え、
　異常検出手段は、各々の第１の系列データに対して、該第１の系列データから算出される複数の状態特徴量を基に、異常を検出する
　付記１ないし６のいずれか１項に記載の異常検出装置。
　（付記８）
　各基準確率分布格納手段は、所定の第１の系列データにおいて系列特徴量の基準とされる確率分布を格納する
　付記７に記載の異常検出装置。
　（付記９）対象環境内の異なる場所の状態を表す複数の第１の系列データが入力され、系列特徴量抽出手段、系列確率分布算出手段、基準確率分布格納手段、及び、状態特徴量算出手段を、入力される第１の系列データの数分備え、異常検出手段は、各々の第１の系列データに対して、第１の系列データから算出される複数の状態特徴量を基に、異常を検出する付記１又は２に記載の異常検出装置。
　（付記１０）各々の第１の系列データにおける正常時の状態特徴量の確率分布であって、少なくとも特定の周期内の時間を指し示すモデルインデックスに基づいて特定される状態特徴量の確率分布である通常モデルを格納する通常モデル格納手段を備え、異常検出手段は、各々の第１の系列データに対して、第１の系列データから算出された状態特徴量と、第１の系列データに対応する通常モデルとに基づいて、異常を検出する付記９に記載の異常検出装置。
　（付記１１）第１の系列データごとに、第１の系列データから算出された状態特徴量を所定の周期に応じて再編成して１つ以上の状態特徴量の系列を生成する状態特徴量系列生成手段を備え、異常検出手段は、各々の第１の系列データに対して、第１の系列データから算出される複数の状態特徴量から生成された状態特徴量の系列の各々を第２の系列データとし、第２の系列データを統計処理して、異常を検出する付記９に記載の異常検出装置。
　（付記１２）正常時の第１の系列データを用いて、基準確率分布を生成する基準確率分布生成手段を備えた付記１、２、及び、９ないし１１のいずれか１項に記載の異常検出装置。
　（付記１３）正常時の第１の系列データから算出される複数の状態特徴量を用いて、通常モデルを生成する通常モデル生成手段を備えた付記１、２、及び９ないし１２のいずれか１項に記載の異常検出装置。
　（付記１４）第１の系列データが、時系列音響信号である付記１、２、及び、９ないし１３のいずれか１項に記載の異常検出装置。
　（付記１５）系列特徴量が、時系列音響信号に含まれる音の周波数及び／又はパワーが表現される特徴量であり、系列確率分布及び基準確率分布の表現形式が、混合ガウス分布であり、状態特徴量が、ＫＬダイバージェンス、ＫＬダイバージェンスを所定個並べたベクトル、所定番目のガウス分布の平均ベクトルの二乗距離を所定個並べたベクトル、又はそれらベクトルのノルムのいずれかである付記１、２、及び９ないし１４のいずれか１項に記載の異常検出装置。
　（付記１６）第１の系列データが入力されると、第１の系列データに含まれる信号の特徴量である系列特徴量を抽出し、系列特徴量が従う確率分布である系列確率分布を算出し、系列データにおける系列特徴量の基準とされる確率分布である基準確率分布に対する系列確率分布の変動具合を表す状態特徴量を算出し、系列データから算出される複数の状態特徴量に基づいて、系列データの異常を検出することを特徴とする異常検出方法。
　（付記１７）所定の時間単位で定義される各時間フレームの時点における信号の所定の特徴量を、系列特徴量として抽出し、時間フレームごとの系列特徴量を確率変数とする確率分布を算出し、時間フレームごとに、時間フレームの時点における系列確率分布と、時間フレームの時点に対応する基準確率分布との間の距離を所定の尺度で表した状態特徴量を算出し、第１の系列データから算出される時間フレームごとの状態特徴量を基に、異常を検出する付記１６に記載の異常検出方法。
　（付記１８）コンピュータに、第１の系列データが入力されると、第１の系列データに含まれる信号の特徴量である系列特徴量を抽出する処理、系列特徴量が従う確率分布である系列確率分布を算出する処理、第１の系列データにおける系列特徴量の基準とされる確率分布である基準確率分布に対する系列確率分布の変動具合を表す状態特徴量を算出する処理、及び第１の系列データから算出される複数の状態特徴量に基づいて、第１の系列データの異常を検出する処理を実行させるための異常検出プログラム。
　（付記１９）コンピュータに、系列特徴量を抽出する処理で、所定の時間単位で定義される各時間フレームの時点における信号の所定の特徴量を、系列特徴量として抽出させ、系列確率分布を算出する処理で、時間フレームごとの系列特徴量を確率変数とする確率分布を算出させ、状態特徴量を算出する処理で、時間フレームごとに、時間フレームの時点における系列確率分布と、時点に対応する基準確率分布との間の距離を所定の尺度で表した状態特徴量を算出させ、異常を検出する処理で、第１の系列データから算出される時間フレームごとの状態特徴量を基に、異常を検出させる付記１９に記載の異常検出プログラム。
　以上、実施形態を参照して本願発明を説明したが、本願発明は上記実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
　この出願は、２０１６年　９月　８日に出願された日本出願特願２０１６－１７５４０２を基礎とする優先権を主張し、その開示の全てをここに取り込む。
　本発明は、正常時においても状態が変化するような環境を対象とする異常検出に限らず、任意の系列データに対する異常検出に好適に適用可能である。
　１００、２００、３００、４００、５００、６００　　異常検出装置
　１０１、２０１、２２１、５１１　　系列特徴量抽出部
　１０２　　系列確率分布算出部
　２０２、５１２　　確率分布算出部
　２２２　　基準確率分布算出部
　１０３、２０３、５１３　　基準確率分布格納部
　１０４、２０４、５１４　　状態特徴量算出部
　１０５、２０５、３０３、４０３、５０３、６０３　　異常検出部
　２１０、３０１、３１１、４０１、５０１、６０１　　系列データ分析部
　３０２、５０２　　通常モデル格納部
　３１２　　通常モデル算出部
　４０２、６０２　　状態特徴量系列生成部
　５１０、６１０　　分散データ分析部
　７００　　情報処理装置
　７１０　　ＣＰＵ
　７２０　　ＲＯＭ
　７３０　　ＲＡＭ
　７４０　　内部記憶装置
　７５０　　ＩＯＣ
　７６０　　入力機器
　７７０　　表示機器
　７８０　　ＮＩＣ
　７９０　　記録媒体

Claims (19)

  1. 　第１の系列データが入力されると、前記第１の系列データに含まれる信号の特徴量である系列特徴量を抽出する系列特徴量抽出手段と、
    　前記系列特徴量が従う確率分布である系列確率分布を算出する系列確率分布算出手段と、
    　前記第１の系列データにおける前記系列特徴量の基準とされる確率分布である基準確率分布を格納する基準確率分布格納手段と、
    　前記基準確率分布に対する前記系列確率分布の変動具合を表す状態特徴量を算出する状態特徴量算出手段と、
    　前記第１の系列データから算出される複数の前記状態特徴量に基づいて、前記第１の系列データの異常を検出する異常検出手段とを備えた
    　ことを特徴とする異常検出装置。
  2. 　前記系列特徴量抽出手段は、所定の時間単位で定義される各時間フレームの時点における信号の所定の特徴量を、前記系列特徴量として抽出し、
    　前記系列確率分布算出手段は、前記時間フレームごとの前記系列特徴量を確率変数とする確率分布を算出し、
    　前記状態特徴量算出手段は、前記時間フレームごとに、該時間フレームの時点における前記系列確率分布と、該時間フレームの時点に対応する前記基準確率分布との間の距離を所定の尺度で表した前記状態特徴量を算出し、
    　前記異常検出手段は、前記第１の系列データから算出される前記時間フレームごとの前記状態特徴量を基に、前記異常を検出する
    　請求項１に記載の異常検出装置。
  3. 　前記異常検出手段は、前記第１の系列データから算出される前記時間フレームごとの前記状態特徴量を時系列に並べたデータを第２の系列データとし、前記第２の系列データを統計処理して、前記異常を検出する
    　請求項２に記載の異常検出装置。
  4. 　前記第１の系列データにおける正常時の前記状態特徴量の確率分布であって、少なくとも特定の周期内の時間を指し示すモデルインデックスに基づいて特定される前記状態特徴量の確率分布である通常モデルを格納する通常モデル格納手段を備え、
    　前記異常検出手段は、算出された前記状態特徴量と、前記通常モデルとに基づいて、前記異常を検出する
    　請求項１ないし３のいずれか１項に記載の異常検出装置。
  5. 　前記異常検出手段は、算出された前記状態特徴量を得た時点に対応する前記通常モデルが示す前記状態特徴量が生じる確率を基に算出されるスコアを基に、前記異常を検出する
    　請求項４に記載の異常検出装置。
  6. 　所定の時間単位で定義される前記時間フレームごとの前記状態特徴量を所定の周期に応じて再編成して１つ以上の状態特徴量系列を生成する状態特徴量系列生成手段を備え、
    　前記異常検出手段は、前記状態特徴量系列の各々を第２の系列データとし、前記第２の系列データを統計処理して、前記異常を検出する
    　請求項２に記載の異常検出装置。
  7. 　対象環境内の異なる場所の状態を表す複数の前記第１の系列データが入力され、
    　前記系列特徴量抽出手段、前記系列確率分布算出手段、前記基準確率分布格納手段、及び、前記状態特徴量算出手段を、入力される前記第１の系列データの数分備え、
    　前記異常検出手段は、各々の前記第１の系列データに対して、該第１の系列データから算出される複数の前記状態特徴量を基に、前記異常を検出する
    　請求項１ないし６のいずれか１項に記載の異常検出装置。
  8. 　各前記基準確率分布格納手段は、所定の前記第１の系列データにおいて前記系列特徴量の基準とされる確率分布を格納する
    　請求項７に記載の異常検出装置。
  9. 　対象環境内の異なる場所の状態を表す複数の前記第１の系列データが入力され、前記系列特徴量抽出手段、前記系列確率分布算出手段、前記基準確率分布格納手段、及び前記状態特徴量算出手段を、入力される前記第１の系列データの数分備え、
    　前記異常検出手段は、各々の前記第１の系列データに対して、該第１の系列データから算出される複数の前記状態特徴量を基に、前記異常を検出する
    　請求項１又は２に記載の異常検出装置。
  10. 　各々の前記第１の系列データにおける正常時の前記状態特徴量の確率分布であって、少なくとも特定の周期内の時間を指し示すモデルインデックスに基づいて特定される前記状態特徴量の確率分布である通常モデルを格納する通常モデル格納手段を備え、
    　前記異常検出手段は、各々の前記第１の系列データに対して、該第１の系列データから算出された前記状態特徴量と、該第１の系列データに対応する前記通常モデルとに基づいて、前記異常を検出する
    　請求項９に記載の異常検出装置。
  11. 　前記第１の系列データごとに、該第１の系列データから算出された前記状態特徴量を所定の周期に応じて再編成して１つ以上の前記状態特徴量の系列を生成する状態特徴量系列生成手段を備え、
    　前記異常検出手段は、
    　各々の前記第１の系列データに対して、該第１の系列データから算出される複数の前記状態特徴量から生成された前記状態特徴量の系列の各々を第２の系列データとし、前記第２の系列データを統計処理して、前記異常を検出する
    　請求項９に記載の異常検出装置。
  12. 　正常時の前記第１の系列データを用いて、前記基準確率分布を生成する基準確率分布生成手段を備えた
    　請求項１、２、及び、９ないし１１のいずれか１項に記載の異常検出装置。
  13. 　正常時の前記第１の系列データから算出される複数の前記状態特徴量を用いて、通常モデルを生成する通常モデル生成手段を備えた
    　請求項１、２、及び、９ないし１２のいずれか１項に記載の異常検出装置。
  14. 　前記第１の系列データが、時系列音響信号である
    　請求項１、２、及び、９ないし１３のいずれか１項に記載の異常検出装置。
  15. 　前記系列特徴量が、時系列音響信号に含まれる音の周波数及び／又はパワーが表現される特徴量であり、
    　前記系列確率分布及び前記基準確率分布の表現形式が、混合ガウス分布であり、
    　前記状態特徴量が、ＫＬダイバージェンス、ＫＬダイバージェンスを所定個並べたベクトル、所定番目のガウス分布の平均ベクトルの二乗距離を所定個並べたベクトル、又はそれらベクトルのノルムのいずれかである
    　請求項１、２、及び、９ないし１４のいずれか１項に記載の異常検出装置。
  16. 　第１の系列データが入力されると、前記第１の系列データに含まれる信号の特徴量である系列特徴量を抽出し、
    　前記系列特徴量が従う確率分布である系列確率分布を算出し、
    　前記第１の系列データにおける前記系列特徴量の基準とされる確率分布である基準確率分布に対する前記系列確率分布の変動具合を表す状態特徴量を算出し、
    　前記第１の系列データから算出される複数の前記状態特徴量に基づいて、前記第１の系列データの異常を検出する
    　ことを特徴とする異常検出方法。
  17. 　所定の時間単位で定義される各時間フレームの時点における信号の所定の特徴量を、前記系列特徴量として抽出し、
    　前記時間フレームごとの前記系列特徴量を確率変数とする確率分布を算出し、
    　前記時間フレームごとに、該時間フレームの時点における前記系列確率分布と、該時間フレームの時点に対応する基準確率分布との間の距離を所定の尺度で表した前記状態特徴量を算出し、
    　前記第１の系列データから算出される前記時間フレームごとの前記状態特徴量を基に、前記異常を検出する
    　請求項１６に記載の異常検出方法。
  18. 　コンピュータに、
    　第１の系列データが入力されると、前記第１の系列データに含まれる信号の特徴量である系列特徴量を抽出する処理、
    　前記系列特徴量が従う確率分布である系列確率分布を算出する処理、
    　前記第１の系列データにおける前記系列特徴量の基準とされる確率分布である基準確率分布に対する前記系列確率分布の変動具合を表す状態特徴量を算出する処理、及び
    　前記第１の系列データから算出される複数の前記状態特徴量に基づいて、前記第１の系列データの異常を検出する処理
    　を実行させるための異常検出プログラムをコンピュータ読み取り可能の記録する記録媒体。
  19. 　コンピュータに、
    　前記系列特徴量を抽出する処理で、所定の時間単位で定義される各時間フレームの時点における信号の所定の特徴量を、前記系列特徴量として抽出させ、
    　前記系列確率分布を算出する処理で、前記時間フレームごとの前記系列特徴量を確率変数とする確率分布を算出させ、
    　前記状態特徴量を算出する処理で、前記時間フレームごとに、該時間フレームの時点における前記系列確率分布と、該時点に対応する前記基準確率分布との間の距離を所定の尺度で表した前記状態特徴量を算出させ、
    　前記異常を検出する処理で、前記第１の系列データから算出される前記時間フレームごとの前記状態特徴量を基に、前記異常を検出させる
    　異常検出プログラムを記録する請求項１８に記載の記録媒体。
PCT/JP2017/031894 2016-09-08 2017-09-05 異常検出装置、異常検出方法、及び記録媒体 WO2018047804A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2018538414A JP7031594B2 (ja) 2016-09-08 2017-09-05 異常検出装置、異常検出方法、及びプログラム
US16/329,794 US11397792B2 (en) 2016-09-08 2017-09-05 Anomaly detecting device, anomaly detecting method, and recording medium

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2016-175402 2016-09-08
JP2016175402 2016-09-08

Publications (1)

Publication Number Publication Date
WO2018047804A1 true WO2018047804A1 (ja) 2018-03-15

Family

ID=61562776

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2017/031894 WO2018047804A1 (ja) 2016-09-08 2017-09-05 異常検出装置、異常検出方法、及び記録媒体

Country Status (3)

Country Link
US (1) US11397792B2 (ja)
JP (1) JP7031594B2 (ja)
WO (1) WO2018047804A1 (ja)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109871870A (zh) * 2019-01-15 2019-06-11 中国科学院信息工程研究所 一种大数据流中的基于最近邻的时间敏感性异常检测方法
WO2019220620A1 (ja) * 2018-05-18 2019-11-21 日本電気株式会社 異常検出装置、異常検出方法及びプログラム
WO2019220609A1 (ja) * 2018-05-18 2019-11-21 日本電気株式会社 異常検出装置、異常検出方法及びプログラム
WO2020044993A1 (ja) * 2018-08-31 2020-03-05 オムロン株式会社 情報処理装置及び情報処理方法
JP2020038485A (ja) * 2018-09-04 2020-03-12 富士通株式会社 学習装置、判定装置、学習方法、判定方法、学習プログラムおよび判定プログラム
CN112673326A (zh) * 2018-10-24 2021-04-16 欧姆龙株式会社 控制装置及控制程序
JP2022519228A (ja) * 2019-01-30 2022-03-22 ビューラー アーゲー 工業プロセスで使用されるコンポーネントから発生する信号の異常を検出及び測定するためのシステムと方法
JP7606981B2 (ja) 2019-05-09 2024-12-26 デュール システムズ アーゲー 分析方法及びそのための装置

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018150616A1 (ja) * 2017-02-15 2018-08-23 日本電信電話株式会社 異常音検出装置、異常度計算装置、異常音生成装置、異常音検出学習装置、異常信号検出装置、異常信号検出学習装置、これらの方法及びプログラム
CN110110160B (zh) * 2017-12-29 2020-04-14 阿里巴巴集团控股有限公司 确定数据异常的方法及装置
JP6930503B2 (ja) * 2018-07-20 2021-09-01 日本電信電話株式会社 異常検知装置、異常検知方法、およびプログラム
US11297096B2 (en) * 2018-09-27 2022-04-05 Avast Software, S.R.O. Gaussian autoencoder detection of network flow anomalies
US11277425B2 (en) * 2019-04-16 2022-03-15 International Business Machines Corporation Anomaly and mode inference from time series data
US11271957B2 (en) 2019-07-30 2022-03-08 International Business Machines Corporation Contextual anomaly detection across assets
WO2021048989A1 (ja) * 2019-09-12 2021-03-18 日本電信電話株式会社 異常検知システム、異常検知装置、異常検知方法及びプログラム
CN112559292B (zh) * 2020-12-18 2024-06-21 北京北方华创微电子装备有限公司 设备应用监控方法、半导体工艺设备
US20220195861A1 (en) * 2020-12-18 2022-06-23 Schlumberger Technology Corporation Identifying operation anomalies of subterranean drilling equipment
CN114697066A (zh) * 2020-12-30 2022-07-01 网神信息技术（北京）股份有限公司 网络威胁检测方法和装置
CN113240211B (zh) * 2021-07-09 2021-09-21 深圳市格云宏邦环保科技有限公司 废水排放预测方法、装置、计算机设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013012872A (ja) * 2011-06-29 2013-01-17 Mitsubishi Electric Corp 行列データ作成装置および行列データ作成方法およびプログラム
WO2013105164A1 (ja) * 2012-01-13 2013-07-18 日本電気株式会社 異常信号判定装置、異常信号判定方法、および異常信号判定プログラム
JP2015064347A (ja) * 2013-08-26 2015-04-09 能美防災株式会社 構造物劣化診断システム

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3102998B2 (ja) 1994-07-25 2000-10-23 三菱電機株式会社 自動車用コンポーネントの診断装置
JPH1026648A (ja) 1996-07-10 1998-01-27 Mitsubishi Electric Corp 放射線検出装置の絶縁診断装置
US6892163B1 (en) * 2002-03-08 2005-05-10 Intellectual Assets Llc Surveillance system and method having an adaptive sequential probability fault detection test
JP3821225B2 (ja) * 2002-07-17 2006-09-13 日本電気株式会社 時系列データに対する自己回帰モデル学習装置並びにそれを用いた外れ値および変化点の検出装置
JP4170315B2 (ja) 2005-05-30 2008-10-22 インターナショナル・ビジネス・マシーンズ・コーポレーション 異常判断装置、制御方法、自動車およびプログラム
WO2008087968A1 (ja) 2007-01-17 2008-07-24 Nec Corporation 変化点検出方法および装置
CN102163427B (zh) * 2010-12-20 2012-09-12 北京邮电大学 一种基于环境模型的音频异常事件检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013012872A (ja) * 2011-06-29 2013-01-17 Mitsubishi Electric Corp 行列データ作成装置および行列データ作成方法およびプログラム
WO2013105164A1 (ja) * 2012-01-13 2013-07-18 日本電気株式会社 異常信号判定装置、異常信号判定方法、および異常信号判定プログラム
JP2015064347A (ja) * 2013-08-26 2015-04-09 能美防災株式会社 構造物劣化診断システム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
UEDA, MASASHI ET AL.: "Detecting Latent Structural Changes via Latent Dirichlet Allocation", IEICE TECHNICAL REPORT, vol. 111, no. 480, 5 March 2012 (2012-03-05), pages 15 - 20 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2019220609A1 (ja) * 2018-05-18 2021-06-10 日本電気株式会社 異常検出装置、異常検出方法及びプログラム
WO2019220620A1 (ja) * 2018-05-18 2019-11-21 日本電気株式会社 異常検出装置、異常検出方法及びプログラム
WO2019220609A1 (ja) * 2018-05-18 2019-11-21 日本電気株式会社 異常検出装置、異常検出方法及びプログラム
US12051232B2 (en) 2018-05-18 2024-07-30 Nec Corporation Anomaly detection apparatus, anomaly detection method, and program
US11715284B2 (en) 2018-05-18 2023-08-01 Nec Corporation Anomaly detection apparatus, anomaly detection method, and program
JP7014295B2 (ja) 2018-05-18 2022-02-01 日本電気株式会社 異常検出装置、異常検出方法及びプログラム
JPWO2019220620A1 (ja) * 2018-05-18 2021-05-27 日本電気株式会社 異常検出装置、異常検出方法及びプログラム
WO2020044993A1 (ja) * 2018-08-31 2020-03-05 オムロン株式会社 情報処理装置及び情報処理方法
JP2020038485A (ja) * 2018-09-04 2020-03-12 富士通株式会社 学習装置、判定装置、学習方法、判定方法、学習プログラムおよび判定プログラム
EP3872593A4 (en) * 2018-10-24 2022-07-13 OMRON Corporation Control device and control program
CN112673326A (zh) * 2018-10-24 2021-04-16 欧姆龙株式会社 控制装置及控制程序
US11829130B2 (en) 2018-10-24 2023-11-28 Omron Corporation Control apparatus and non-transitory computer readable medium for detecting abnormality occurring in subject to be monitored
CN109871870B (zh) * 2019-01-15 2021-05-25 中国科学院信息工程研究所 一种大数据流中的基于最近邻的时间敏感性异常检测方法
CN109871870A (zh) * 2019-01-15 2019-06-11 中国科学院信息工程研究所 一种大数据流中的基于最近邻的时间敏感性异常检测方法
JP2022519228A (ja) * 2019-01-30 2022-03-22 ビューラー アーゲー 工業プロセスで使用されるコンポーネントから発生する信号の異常を検出及び測定するためのシステムと方法
JP7282184B2 (ja) 2019-01-30 2023-05-26 ビューラー アーゲー 工業プロセスで使用されるコンポーネントから発生する信号の異常を検出及び測定するためのシステムと方法
JP7606981B2 (ja) 2019-05-09 2024-12-26 デュール システムズ アーゲー 分析方法及びそのための装置

Also Published As

Publication number Publication date
US20190243872A1 (en) 2019-08-08
JPWO2018047804A1 (ja) 2019-06-24
JP7031594B2 (ja) 2022-03-08
US11397792B2 (en) 2022-07-26

Similar Documents

Publication Publication Date Title
WO2018047804A1 (ja) 異常検出装置、異常検出方法、及び記録媒体
CN112489677B (zh) 基于神经网络的语音端点检测方法、装置、设备及介质
US10063965B2 (en) Sound source estimation using neural networks
US8180664B2 (en) Methods and systems for forecasting with model-based PDF estimates
CN110288705B (zh) 生成三维模型的方法和装置
JP7014295B2 (ja) 異常検出装置、異常検出方法及びプログラム
Arnold et al. Forecasting mortality trends allowing for cause-of-death mortality dependence
CN109997164A (zh) 提供基于到达间隔时间的测量和预测即将发生的自然灾难性事件的测量系统及其方法
JPWO2013187295A1 (ja) 情報処理装置、情報処理方法、およびプログラム
US20190387315A1 (en) Auralization for multi-microphone devices
CN111540346A (zh) 一种远场声音分类方法和装置
JP2019169011A (ja) 予兆検知システムおよびプログラム
CN109239807A (zh) 降雨量评估方法及系统和终端
Wang et al. Modeling big spatio-temporal geo-hazards data for forecasting by error-correction cointegration and dimension-reduction
JP2019101490A (ja) 時系列データ予測装置、時系列データ予測方法およびコンピュータプログラム
JP2011053776A (ja) ストーリー生成システム、方法、およびプログラム
CN113256038B (zh) 一种数据处理方法、设备以及计算机可读存储介质
KR102495864B1 (ko) 디지털 트윈 모델을 도출하는 장치, 방법 및 컴퓨터 프로그램
CN112381926B (zh) 用于生成视频的方法和装置
WO2018211602A1 (ja) 学習装置、推定装置、学習方法及びプログラム
CN118626396A (zh) 自动化测试方法、装置、计算机设备、可读存储介质和程序产品
JP6545950B2 (ja) 推定装置、推定方法、およびプログラム
Yang et al. Optimal sensors placement for structural health monitoring based on system identification and interpolation methods
JP7367383B2 (ja) 画像認識アプリケーション構築支援システム及びプログラム
CN115565525A (zh) 音频异常检测方法、装置、电子设备及存储介质

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: 17848744

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2018538414

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 17848744

Country of ref document: EP

Kind code of ref document: A1