WO2023106266A1 - 推挙装置、推挙方法および推挙プログラム - Google Patents

推挙装置、推挙方法および推挙プログラム Download PDF

Info

Publication number
WO2023106266A1
WO2023106266A1 PCT/JP2022/044769 JP2022044769W WO2023106266A1 WO 2023106266 A1 WO2023106266 A1 WO 2023106266A1 JP 2022044769 W JP2022044769 W JP 2022044769W WO 2023106266 A1 WO2023106266 A1 WO 2023106266A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
distribution
time
series data
unit
Prior art date
Application number
PCT/JP2022/044769
Other languages
English (en)
French (fr)
Inventor
健一郎 島田
浩二 伊藤
知範 泉谷
大地 木村
和輝 小山
Original Assignee
エヌ・ティ・ティ・コミュニケーションズ株式会社
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 エヌ・ティ・ティ・コミュニケーションズ株式会社 filed Critical エヌ・ティ・ティ・コミュニケーションズ株式会社
Publication of WO2023106266A1 publication Critical patent/WO2023106266A1/ja

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • the present invention relates to a recommendation device, a recommendation method, and a recommendation program.
  • the distribution pattern of time-series data generated in plants and urban spaces often changes depending on the situation.
  • the distribution pattern of time-series data may change due to the operating rate of equipment, the concentration of materials, and the like. In that case, there is a possibility that a model generated by learning using time-series data cannot be applied.
  • the present invention has been made in view of the above, and aims to apply a trained model according to the distribution pattern of time-series data generated in plants and urban spaces.
  • a recommendation device generates a model generated by learning using time-series data of a predetermined period as teacher data, and the distribution of the teacher data.
  • a storage unit that stores the data in association with each other, an acquisition unit that acquires time-series data for a predetermined period, and a distribution of the acquired time-series data and a distribution of the teacher data are compared to calculate a degree of similarity.
  • a specifying unit that specifies the model generated by learning using the teacher data when the calculated similarity is equal to or greater than a predetermined threshold.
  • FIG. 1 is a schematic diagram illustrating a schematic configuration of a citation device.
  • FIG. 2 is a diagram illustrating the data structure of a model list.
  • FIG. 3 is a diagram for explaining the processing of the presentation unit;
  • FIG. 4 is a flow chart illustrating the recommendation processing procedure.
  • FIG. 5 is a diagram illustrating a computer that executes the recommendation program.
  • FIG. 1 is a schematic diagram illustrating a schematic configuration of a citation device.
  • the recommendation device 10 is implemented by a general-purpose computer such as a personal computer, and includes an input unit 11 , an output unit 12 , a communication control unit 13 , a storage unit 14 and a control unit 15 .
  • the input unit 11 is implemented using input devices such as a keyboard and a mouse, and inputs various instruction information such as processing start to the control unit 15 in response to input operations by the operator.
  • the output unit 12 is implemented by a display device such as a liquid crystal display, a printing device such as a printer, or the like.
  • the communication control unit 13 is realized by a NIC (Network Interface Card) or the like, and controls communication between an external device and the control unit 15 via a network.
  • the communication control unit 13 controls communication between the control unit 15 and a sensor that outputs time-series data to be processed in a later-described recommendation process, a management device that manages the time-series data, or the like.
  • the storage unit 14 is implemented by semiconductor memory devices such as RAM (Random Access Memory) and flash memory, or storage devices such as hard disks and optical disks.
  • a processing program for operating the recommendation device 10 data used during execution of the processing program, and the like are stored in advance, or are temporarily stored each time processing is performed.
  • the storage unit 14 may be configured to communicate with the control unit 15 via the communication control unit 13 .
  • the storage unit 14 stores in advance, for example, a model list 14a used for the recommendation process described later.
  • the model list 14a is information in which a model generated by learning using time-series data of a predetermined period as teacher data is associated with the distribution of the teacher data.
  • FIG. 2 is a diagram illustrating the data structure of the model list.
  • the model list 14a includes learned models and the distribution of past time-series data of a predetermined time width used as teacher data for generating the models. include.
  • the distribution of time-series data means, for example, a graph representing the relationship between time and data values.
  • the model list 14a illustrated in FIG. 2 includes, for example, a combination of a model A and a distribution A of teacher data corresponding to the model A. As shown in FIG.
  • model list 14a may associate the model with the teacher data itself corresponding to the model. For example, data values at each time may be stored as teacher data.
  • the control unit 15 is implemented using a CPU (Central Processing Unit) or the like, and executes a processing program stored in memory. Thereby, the control unit 15 functions as an acquisition unit 15a, a calculation unit 15b, a presentation unit 15c, a specification unit 15d, and a generation unit 15e, as illustrated in FIG. Each or part of these functional units may be implemented in different hardware.
  • the generator 15e may be implemented in a device separate from other functional units.
  • the control unit 15 may include other functional units.
  • the acquisition unit 15a acquires time-series data for a predetermined period.
  • the acquisition unit 15a acquires time-series data such as sensor values of a predetermined time width to be subjected to the recommendation process described later, via the input unit 11, or from a sensor or a management device that manages sensor values, Acquired via the communication control unit 13 .
  • the period of the time-series data acquired by the acquisition unit 15a is equal to or longer than the time width of the teacher data in the model list 14a.
  • the distribution pattern of time-series data may change due to factors such as the operating rate of equipment and differences in material concentration.
  • the calculation unit 15b compares the distribution of the acquired time-series data and the distribution of the teacher data to calculate the degree of similarity. Specifically, the calculator 15b first obtains the distribution of the acquired time-series data. For example, the calculation unit 15b generates a graph representing the relationship between the time and the data value of the acquired time-series data.
  • the calculation unit 15b compares the distribution of the acquired time-series data with the distribution of teacher data corresponding to each model in the model list 14a to calculate the degree of similarity. For example, the calculation unit 15b calculates the degree of similarity by normalizing and comparing the values of the time-series data and the teacher data having the same duration. The calculation unit 15b calculates the degree of similarity in distribution between the time-series data to be processed and each of the plurality of teacher data.
  • the presentation unit 15c When the calculated similarity is equal to or greater than a predetermined threshold, the presentation unit 15c presents models corresponding to the distribution of the teacher data in descending order of the similarity. For example, the presentation unit 15c outputs the corresponding models to the user terminal or the like via the output unit 12 or the communication control unit 13 in descending order of distribution similarity of the plurality of teacher data. This allows the presentation unit 15c to recommend a plurality of models in an appropriate order.
  • FIG. 3 is a diagram for explaining the processing of the presentation unit.
  • models A to C with a similarity of 10% or higher are presented in descending order of similarity, with a threshold of 10%.
  • the presentation unit 15c may display and output the distribution of teacher data corresponding to each model.
  • the distribution of the acquired time-series data to be processed may also be presented.
  • the presentation unit 15c may accept an operational input for selection by the operator from among the presented models. In this case, the operator can select the optimum model while comparing the results. In addition, especially when the distribution of training data and time-series data is displayed and output, the operator visually checks the distribution of the time-series data and training data to be processed, and selects the training data with the highest degree of similarity. It is possible to select a model trained with
  • the specifying unit 15d specifies a model generated by learning using teacher data when the calculated similarity is equal to or greater than a predetermined threshold. For example, the identifying unit 15d identifies a model corresponding to teacher data having the highest degree of similarity among a plurality of teacher data. In this case, the specifying unit 15d can automatically apply the specified model to the time-series data to be processed.
  • the specifying unit 15d may specify a model selected by the operator from among the models presented to the operator by the presentation unit 15c as a model to be applied to the time-series data to be processed. .
  • the recommendation device 10 may issue an alarm when all of the similarities calculated by the calculation unit 15b are less than a predetermined threshold.
  • the presentation unit 15c outputs to the operator a message indicating that there is no learned model generated so far that is applicable to the time-series data to be processed. In this case, for example, it becomes possible for the operator to instruct the execution of the processing of the generation unit 15e described below.
  • the generation unit 15e may automatically execute the process when all of the calculated degrees of similarity are less than a predetermined threshold.
  • the generation unit 15e generates a model by learning using the acquired time-series data as teacher data. For example, the generation unit 15e generates a model by extracting and learning the features of the acquired time-series data.
  • the generation unit 15e adds the generated model to the model list 14a in association with the distribution of the time-series data to be processed. This automatically updates the model list 14a.
  • FIG. 4 is a flow chart illustrating the recommendation processing procedure.
  • the flowchart of FIG. 4 is started, for example, at the timing when an input instructing the start of the recommendation process is received.
  • the acquisition unit 15a acquires time-series data for a predetermined period.
  • the acquiring unit 15a acquires time-series data such as sensor values for a predetermined time span to be subjected to the estimation process described later (step S1).
  • the calculation unit 15b compares the distribution of the acquired time-series data with the distribution of teacher data corresponding to each model in the model list 14a to calculate the degree of similarity (step S2).
  • the identifying unit 15d identifies the model generated by learning using the teacher data as a model to be applied to the time-series data to be processed. (Step S3).
  • the specifying unit 15d specifies a model corresponding to teacher data with the highest degree of similarity among a plurality of teacher data as a model to be applied to the time-series data to be processed.
  • the identifying unit 15d identifies the model selected by the operator as the model to be applied to the time-series data to be processed. This completes a series of guessing processes.
  • the presentation unit 15c presents models corresponding to the distribution of the teacher data in descending order of the similarity, allowing the operator to select a model. may be accepted.
  • the recommendation device 10 may issue an alarm.
  • the generation unit 15e may automatically generate a model through learning using the acquired time-series data as teacher data, and update the model list 14a.
  • the storage unit 14 associates a model generated by learning using time-series data of a predetermined period as teacher data with the distribution of the teacher data. memorize it.
  • the acquiring unit 15a acquires time-series data for a predetermined period.
  • the calculation unit 15b compares the distribution of the acquired time-series data and the distribution of the teacher data to calculate the degree of similarity.
  • the specifying unit 15d specifies a model generated by learning using teacher data when the calculated similarity is equal to or greater than a predetermined threshold.
  • the presentation unit 15c presents models corresponding to the distribution of the teacher data in descending order of the similarity. This enables the recommendation device 10 to recommend a plurality of models in an appropriate order. In addition, the operator can select the optimum model while comparing the results.
  • the generating unit 15e generates a model by learning using the acquired time-series data as teacher data when all of the calculated similarities are less than a predetermined threshold.
  • the model list 14a is automatically updated, making it possible to improve the accuracy of the recommendation process.
  • each component of each device illustrated is functionally conceptual, and does not necessarily need to be physically configured as illustrated.
  • the specific form of distribution and integration of each device is not limited to the one shown in the figure, and all or part of them can be functionally or physically distributed and integrated in arbitrary units according to various loads and usage conditions. Can be integrated and configured.
  • each processing function performed by each device may be realized in whole or in part by a CPU or GPU (Graphics Processing Unit) and a program that is analyzed and executed by the CPU or GPU, or may be implemented by a wired It can be implemented as hardware by logic.
  • program It is also possible to create a program written in a computer-executable language for the process executed by the recommendation device described in the above embodiment. For example, it is also possible to create a program in which the process executed by the recommendation device 10 according to the embodiment is described in a computer-executable language. In this case, the same effects as those of the above embodiments can be obtained by having the computer execute the program. Further, such a program may be recorded in a computer-readable recording medium, and the program recorded in this recording medium may be read by a computer and executed to realize processing similar to that of the above embodiments.
  • FIG. 5 is a diagram showing an example of a computer that executes the recommendation program.
  • Computer 1000 includes, for example, memory 1010 , CPU 1020 , hard disk drive interface 1030 , disk drive interface 1040 , serial port interface 1050 , video adapter 1060 and network interface 1070 . These units are connected by a bus 1080 .
  • the memory 1010 includes a ROM (Read Only Memory) 1011 and a RAM 1012 .
  • the ROM 1011 stores a boot program such as BIOS (Basic Input Output System).
  • BIOS Basic Input Output System
  • Hard disk drive interface 1030 is connected to hard disk drive 1031 .
  • Disk drive interface 1040 is connected to disk drive 1041 .
  • a removable storage medium such as a magnetic disk or an optical disk is inserted into the disk drive 1041, for example.
  • a mouse 1051 and a keyboard 1052 are connected to the serial port interface 1050, for example.
  • a display 1061 is connected to the video adapter 1060 .
  • the hard disk drive 1031 stores an OS (Operating System) 1091, application programs 1092, program modules 1093 and program data 1094, for example.
  • OS Operating System
  • application programs 1092 application programs 1092
  • program modules 1093 program data 1094
  • Each piece of information described in the above embodiment is stored in the hard disk drive 1031 or the memory 1010, for example.
  • the recommendation program is stored in the hard disk drive 1031 as a program module 1093 in which commands to be executed by the computer 1000 are written, for example.
  • the hard disk drive 1031 stores a program module 1093 that describes each process executed by the recommendation device 10 described in the above embodiment.
  • data used for information processing by the recommendation program is stored as program data 1094 in the hard disk drive 1031, for example. Then, the CPU 1020 reads out the program module 1093 and the program data 1094 stored in the hard disk drive 1031 to the RAM 1012 as necessary, and executes each procedure described above.
  • program module 1093 and program data 1094 related to the recommendation program are not limited to being stored in the hard disk drive 1031.
  • they are stored in a removable storage medium and read by the CPU 1020 via the disk drive 1041 or the like.
  • the program modules 1093 and program data 1094 related to the recommendation program are stored in another computer connected via a network such as a LAN (Local Area Network) or WAN (Wide Area Network), and via the network interface 1070 It may be read by CPU 1020 .
  • LAN Local Area Network
  • WAN Wide Area Network

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

記憶部（１４）が、所定の期間の時系列データを教師データとして用いた学習により生成されたモデルと、該教師データの分布とを対応付けて記憶する。取得部（１５ａ）が、所定の期間の時系列データを取得する。算出部（１５ｂ）が、取得された時系列データの分布と、教師データの分布とを比較して、類似度を算出する。特定部（１５ｄ）が、算出された類似度が所定の閾値以上である場合に、教師データを用いた学習により生成されたモデルを特定する。

Description

推挙装置、推挙方法および推挙プログラム
　本発明は、推挙装置、推挙方法および推挙プログラムに関する。
　近年、プラントをはじめとした都市空間の様々な場所において発生するセンサ等の時系列データの特徴を学習して活用する技術が期待されている。
特開２０１９－１８５１９４号公報
　しかしながら、プラントや都市空間で発生する時系列データは、状況に応じて分布パターンがたびたび変化する。例えば、装置の稼働率や材料の濃度の違い等で、時系列データの分布パターンが変化する場合がある。そうすると、先に時系列データを用いた学習により生成されたモデルを適用できない場合が生じる恐れがある。
　本発明は、上記に鑑みてなされたものであって、プラントや都市空間で発生する時系列データの分布パターンに応じた学習済みのモデルを適用することを目的とする。
　上述した課題を解決し、目的を達成するために、本発明に係る推挙装置は、所定の期間の時系列データを教師データとして用いた学習により生成されたモデルと、該教師データの分布とを対応付けて記憶する記憶部と、所定の期間の時系列データを取得する取得部と、取得された前記時系列データの分布と、前記教師データの分布とを比較して、類似度を算出する算出部と、算出された前記類似度が所定の閾値以上である場合に、前記教師データを用いた学習により生成された前記モデルを特定する特定部と、を有することを特徴とする。
　本発明によれば、プラントや都市空間で発生する時系列データの分布パターンに応じた学習済みのモデルを適用することが可能となる。
図１は、推挙装置の概略構成を例示する模式図である。 図２は、モデルリストのデータ構成を例示する図である。 図３は、提示部の処理を説明するための図である。 図４は、推挙処理手順を例示するフローチャートである。 図５は、推挙プログラムを実行するコンピュータを例示する図である。
　以下、図面を参照して、本発明の一実施形態を詳細に説明する。なお、この実施形態により本発明が限定されるものではない。また、図面の記載において、同一部分には同一の符号を付して示している。
［推挙装置の構成］
　図１は、推挙装置の概略構成を例示する模式図である。図１に例示するように、推挙装置１０は、パソコン等の汎用コンピュータで実現され、入力部１１、出力部１２、通信制御部１３、記憶部１４、および制御部１５を備える。
　入力部１１は、キーボードやマウス等の入力デバイスを用いて実現され、操作者による入力操作に対応して、制御部１５に対して処理開始などの各種指示情報を入力する。出力部１２は、液晶ディスプレイなどの表示装置、プリンター等の印刷装置等によって実現される。
　通信制御部１３は、ＮＩＣ（Network　Interface　Card）等で実現され、ネットワークを介した外部の装置と制御部１５との通信を制御する。例えば、通信制御部１３は、後述する推挙処理の処理対象の時系列データを出力するセンサや時系列データを管理する管理装置等と制御部１５との通信を制御する。
　記憶部１４は、ＲＡＭ（Random　Access　Memory）、フラッシュメモリ（Flash　Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。記憶部１４には、推挙装置１０を動作させる処理プログラムや、処理プログラムの実行中に使用されるデータなどが予め記憶され、あるいは処理の都度一時的に記憶される。なお、記憶部１４は、通信制御部１３を介して制御部１５と通信する構成でもよい。
　本実施形態において、記憶部１４には、例えば、後述する推挙処理に用いられるモデルリスト１４ａが予め記憶されている。モデルリスト１４ａは、所定の期間の時系列データを教師データとして用いた学習により生成されたモデルと、該教師データの分布とが対応付けられた情報である。
　ここで、図２は、モデルリストのデータ構成を例示する図である。具体的には、モデルリスト１４ａは、図２に例示するように、学習済みのモデルと、当該モデルの生成に教師データとして用いられた、過去の所定の時間幅の時系列データの分布とを含む。時系列データの分布とは、例えば、時刻とデータ値との関係を表すグラフを意味する。図２に例示するモデルリスト１４ａには、例えばモデルＡと、モデルＡに対応する教師データの分布Ａとの組み合わせが含まれている。
　なお、モデルリスト１４ａは、モデルと、モデルに対応する教師データそのものとが対応付けられていてもよい。例えば、教師データとして、各時刻のデータ値が記憶されていてもよい。
　図１の説明に戻る。制御部１５は、ＣＰＵ（Central　Processing　Unit）等を用いて実現され、メモリに記憶された処理プログラムを実行する。これにより、制御部１５は、図１に例示するように、取得部１５ａ、算出部１５ｂ、提示部１５ｃ、特定部１５ｄおよび生成部１５ｅとして機能する。なお、これらの機能部は、それぞれあるいは一部が、異なるハードウェアに実装されてもよい。例えば、生成部１５ｅは、他の機能部とは別の装置に実装されてもよい。また、制御部１５は、その他の機能部を備えてもよい。
　取得部１５ａは、所定の期間の時系列データを取得する。例えば、取得部１５ａは、後述する推挙処理の対象とする所定の時間幅のセンサ値等の時系列データを、入力部１１を介して、あるいは、センサあるいはセンサ値を管理する管理装置等から、通信制御部１３を介して取得する。ここで取得部１５ａが取得する時系列データの期間は、モデルリスト１４ａの教師データの時間幅と同一またはそれ以上とする。
　ここで、時系列データの分布のパターンは、装置の稼働率や材料の濃度の違い等で変化する場合がある。
　算出部１５ｂは、取得された時系列データの分布と、教師データの分布とを比較して、類似度を算出する。具体的には、算出部１５ｂは、まず、取得された時系列データの分布を求める。例えば、算出部１５ｂは、取得された時系列データの時刻とデータ値との関係を表すグラフを生成する。
　次に、算出部１５ｂは、取得された時系列データの分布と、モデルリスト１４ａの各モデルに対応する教師データの分布との比較を行って、類似度を算出する。例えば、算出部１５ｂは、同一の時間幅の時系列データの値と教師データの値とをそれぞれ正規化して対比することにより、類似度を算出する。算出部１５ｂは、処理対象の時系列データと複数の各教師データとの分布の類似度を算出する。
　提示部１５ｃは、算出された類似度が所定の閾値以上である場合に、該類似度が高い順に該教師データの分布に対応するモデルを提示する。例えば、提示部１５ｃは、複数の教師データの分布の類似度が高い順に、対応するモデルを出力部１２あるいは通信制御部１３を介してユーザ端末等に出力する。これにより、提示部１５ｃは、複数のモデルを適切な順に推挙することが可能となる。
　ここで、図３は、提示部の処理を説明するための図である。図３には、例えば１０％を閾値として、類似度が１０％以上のモデルＡ～Ｃが、類似度の高い順に提示されている。また、図３に例示するように、提示部１５ｃは、各モデルに対応する教師データの分布を表示出力してもよい。また、図３に示すように、処理対象の取得された時系列データの分布をあわせて提示してもよい。
　提示部１５ｃは、提示したモデルのうち、操作者による選択の操作入力を受け付けてもよい。この場合には、操作者は、結果を比較しながら、最適なモデルを選択することが可能となる。また、特に教師データおよび時系列データの分布が表示出力されている場合には、操作者が処理対象の時系列データおよび教師データの分布を目視で確認した上で、類似度が最も高い教師データで学習されたモデルを選択することが可能である。
　図１の説明に戻る。特定部１５ｄは、算出された類似度が所定の閾値以上である場合に、教師データを用いた学習により生成されたモデルを特定する。例えば、特定部１５ｄは、複数の教師データのうち、類似度が最も高い教師データに対応するモデルを特定する。この場合には、特定部１５ｄは、処理対象の時系列データに対して、特定したモデルを自動的に適用することが可能となる。
　または、特定部１５ｄは、上記した提示部１５ｃにより操作者に提示されたモデルのうち、操作者により選択されたモデルを、処理対象の時系列データに対して適用するモデルとして特定してもよい。
　なお、上記した算出部１５ｂが算出した類似度がいずれも所定の閾値未満である場合には、推挙装置１０は、アラームを発信してもよい。例えば、提示部１５ｃが、操作者に対して、これまでに生成された学習済みのモデルのうち、処理対象の時系列データに適用可能なものがない旨のメッセージを出力する。この場合には、例えば、操作者が以下に説明する生成部１５ｅの処理の実行を指示することが可能となる。
　あるいは、算出された類似度がいずれも所定の閾値未満である場合に、自動的に、生成部１５ｅが処理を実行してもよい。生成部１５ｅは、取得された時系列データを教師データとして用いた学習によりモデルを生成する。例えば、生成部１５ｅは、取得された時系列データの特徴を抽出して学習することにより、モデルを生成する。
　また、生成部１５ｅは、生成したモデルを、処理対象の時系列データの分布と対応付けてモデルリスト１４ａに追加する。これにより、モデルリスト１４ａが自動的に更新される。
［推挙処理手順］
　次に、図４を参照して、本実施形態に係る推挙装置１０による推挙処理の一例について説明する。図４は、推挙処理手順を例示するフローチャートである。図４のフローチャートは、例えば、推挙処理の開始を指示する入力があったタイミングで開始される。
　まず、取得部１５ａが、所定の期間の時系列データを取得する。例えば、取得部１５ａは、後述する推挙処理の対象とする所定の時間幅のセンサ値等の時系列データを取得する（ステップＳ１）。
　次に、算出部１５ｂが、取得された時系列データの分布と、モデルリスト１４ａの各モデルに対応する教師データの分布との比較を行って、類似度を算出する（ステップＳ２）。
　そして、特定部１５ｄが、算出された類似度が所定の閾値以上である場合に、教師データを用いた学習により生成されたモデルを、処理対象の時系列データに対して適用するモデルとして特定する（ステップＳ３）。
　例えば、特定部１５ｄは、複数の教師データのうち、類似度が最も高い教師データに対応するモデルを、処理対象の時系列データに対して適用するモデルとして特定する。あるいは、特定部１５ｄは、操作者により選択されたモデルを、処理対象の時系列データに対して適用するモデルとして特定する。これにより、一連の推挙処理が終了する。
　なお、算出された類似度が所定の閾値以上である場合に、提示部１５ｃが、該類似度が高い順に該教師データの分布に対応するモデルを提示して、操作者によるモデルの選択操作を受け付けてもよい。
　また、算出された類似度がいずれも所定の閾値未満である場合には、推挙装置１０は、アラームを発信してもよい。あるいは、生成部１５ｅが、自動的に、取得された時系列データを教師データとして用いた学習によりモデルを生成し、モデルリスト１４ａを更新してもよい。
［効果］
　以上、説明したように、上記実施形態の推挙装置１０では、記憶部１４が、所定の期間の時系列データを教師データとして用いた学習により生成されたモデルと、該教師データの分布とを対応付けて記憶する。取得部１５ａが、所定の期間の時系列データを取得する。算出部１５ｂが、取得された時系列データの分布と、教師データの分布とを比較して、類似度を算出する。特定部１５ｄが、算出された類似度が所定の閾値以上である場合に、教師データを用いた学習により生成されたモデルを特定する。
　これにより、例えば、自動的に最適なモデルを処理対象の時系列データに適用することが可能となる。このように、プラントや都市空間で発生する時系列データの分布パターンに応じた学習済みのモデルを適用することが可能となる。
　また、提示部１５ｃが、算出された類似度が所定の閾値以上である場合に、該類似度が高い順に該教師データの分布に対応するモデルを提示する。これにより、推挙装置１０は、複数のモデルを適切な順に推挙することが可能となる。また、操作者が結果を比較しながら、最適なモデルを選択することが可能となる。
　また、生成部１５ｅが、算出された類似度がいずれも所定の閾値未満である場合に、取得された時系列データを教師データとして用いた学習によりモデルを生成する。これにより、自動的にモデルリスト１４ａが更新され、推挙処理の精度を向上させることが可能となる。
［システム構成等］
　図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。さらに、各装置にて行なわれる各処理機能は、その全部または任意の一部が、ＣＰＵやＧＰＵ（Graphics　Processing　Unit）および当該ＣＰＵやＧＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。
　また、本実施形態において説明した各処理のうち、自動的におこなわれるものとして説明した処理の全部または一部を手動的におこなうこともでき、あるいは、手動的におこなわれるものとして説明した処理の全部または一部を公知の方法で自動的におこなうこともできる。この他、上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。
［プログラム］
　上記実施形態において説明した推挙装置が実行する処理をコンピュータが実行可能な言語で記述したプログラムを作成することもできる。例えば、実施形態に係る推挙装置１０が実行する処理をコンピュータが実行可能な言語で記述したプログラムを作成することもできる。この場合、コンピュータがプログラムを実行することにより、上記実施形態と同様の効果を得ることができる。さらに、かかるプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータに読み込ませて実行することにより上記実施形態と同様の処理を実現してもよい。
　図５は、推挙プログラムを実行するコンピュータの一例を示す図である。コンピュータ１０００は、例えば、メモリ１０１０と、ＣＰＵ１０２０と、ハードディスクドライブインタフェース１０３０と、ディスクドライブインタフェース１０４０と、シリアルポートインタフェース１０５０と、ビデオアダプタ１０６０と、ネットワークインタフェース１０７０とを有する。これらの各部は、バス１０８０によって接続される。
　メモリ１０１０は、ＲＯＭ（Read　Only　Memory）１０１１およびＲＡＭ１０１２を含む。ＲＯＭ１０１１は、例えば、ＢＩＯＳ（Basic　Input　Output　System）等のブートプログラムを記憶する。ハードディスクドライブインタフェース１０３０は、ハードディスクドライブ１０３１に接続される。ディスクドライブインタフェース１０４０は、ディスクドライブ１０４１に接続される。ディスクドライブ１０４１には、例えば、磁気ディスクや光ディスク等の着脱可能な記憶媒体が挿入される。シリアルポートインタフェース１０５０には、例えば、マウス１０５１およびキーボード１０５２が接続される。ビデオアダプタ１０６０には、例えば、ディスプレイ１０６１が接続される。
　ここで、ハードディスクドライブ１０３１は、例えば、ＯＳ（Operating　System)１０９１、アプリケーションプログラム１０９２、プログラムモジュール１０９３およびプログラムデータ１０９４を記憶する。上記実施形態で説明した各情報は、例えばハードディスクドライブ１０３１やメモリ１０１０に記憶される。
　また、推挙プログラムは、例えば、コンピュータ１０００によって実行される指令が記述されたプログラムモジュール１０９３として、ハードディスクドライブ１０３１に記憶される。具体的には、上記実施形態で説明した推挙装置１０が実行する各処理が記述されたプログラムモジュール１０９３が、ハードディスクドライブ１０３１に記憶される。
　また、推挙プログラムによる情報処理に用いられるデータは、プログラムデータ１０９４として、例えば、ハードディスクドライブ１０３１に記憶される。そして、ＣＰＵ１０２０が、ハードディスクドライブ１０３１に記憶されたプログラムモジュール１０９３やプログラムデータ１０９４を必要に応じてＲＡＭ１０１２に読み出して、上述した各手順を実行する。
　なお、推挙プログラムに係るプログラムモジュール１０９３やプログラムデータ１０９４は、ハードディスクドライブ１０３１に記憶される場合に限られず、例えば、着脱可能な記憶媒体に記憶されて、ディスクドライブ１０４１等を介してＣＰＵ１０２０によって読み出されてもよい。あるいは、推挙プログラムに係るプログラムモジュール１０９３やプログラムデータ１０９４は、ＬＡＮ（Local　Area　Network）やＷＡＮ（Wide　Area　Network）等のネットワークを介して接続された他のコンピュータに記憶され、ネットワークインタフェース１０７０を介してＣＰＵ１０２０によって読み出されてもよい。
　以上、本発明者によってなされた発明を適用した実施形態について説明したが、本実施形態による本発明の開示の一部をなす記述および図面により本発明は限定されることはない。すなわち、本実施形態に基づいて当業者等によりなされる他の実施形態、実施例および運用技術等は全て本発明の範疇に含まれる。
　１０　推挙装置
　１１　入力部
　１２　出力部
　１３　通信制御部
　１４　記憶部
　１４ａ　モデルリスト
　１５　制御部
　１５ａ　取得部
　１５ｂ　算出部
　１５ｃ　提示部
　１５ｄ　特定部
　１５ｅ　生成部

Claims (5)

  1. 　所定の期間の時系列データを教師データとして用いた学習により生成されたモデルと、該教師データの分布とを対応付けて記憶する記憶部と、
    　所定の期間の時系列データを取得する取得部と、
    　取得された前記時系列データの分布と、前記教師データの分布とを比較して、類似度を算出する算出部と、
    　算出された前記類似度が所定の閾値以上である場合に、前記教師データを用いた学習により生成された前記モデルを特定する特定部と、
    　を有することを特徴とする推挙装置。
  2. 　算出された前記類似度が所定の閾値以上である場合に、該類似度が高い順に該教師データの分布に対応する前記モデルを提示する提示部を、さらに有することを特徴とする請求項１に記載の推挙装置。
  3. 　算出された前記類似度がいずれも所定の閾値未満である場合に、取得された前記時系列データを教師データとして用いた学習によりモデルを生成する生成部を、さらに有することを特徴とする請求項１に記載の推挙装置。
  4. 　推挙装置が実行する推挙方法であって、
    　前記推挙装置は、所定の期間の時系列データを教師データとして用いた学習により生成されたモデルと、該教師データの分布とを対応付けて記憶する記憶部を有し、
    　所定の期間の時系列データを取得する取得工程と、
    　取得された前記時系列データの分布と、前記教師データの分布とを比較して、類似度を算出する算出工程と、
    　算出された前記類似度が所定の閾値以上である場合に、前記教師データを用いた学習により生成された前記モデルを特定する特定工程と、
    　を含んだことを特徴とする推挙方法。
  5. 　所定の期間の時系列データを教師データとして用いた学習により生成されたモデルと、該教師データの分布とを対応付けて記憶する記憶部を参照し、
    　所定の期間の時系列データを取得する取得ステップと、
    　取得された前記時系列データの分布と、前記教師データの分布とを比較して、類似度を算出する算出ステップと、
    　算出された前記類似度が所定の閾値以上である場合に、前記教師データを用いた学習により生成された前記モデルを特定する特定ステップと、
    　をコンピュータに実行させるための推挙プログラム。
PCT/JP2022/044769 2021-12-07 2022-12-05 推挙装置、推挙方法および推挙プログラム WO2023106266A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021198906A JP7295208B1 (ja) 2021-12-07 2021-12-07 推挙装置、推挙方法および推挙プログラム
JP2021-198906 2021-12-07

Publications (1)

Publication Number Publication Date
WO2023106266A1 true WO2023106266A1 (ja) 2023-06-15

Family

ID=86730432

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/044769 WO2023106266A1 (ja) 2021-12-07 2022-12-05 推挙装置、推挙方法および推挙プログラム

Country Status (2)

Country Link
JP (2) JP7295208B1 (ja)
WO (1) WO2023106266A1 (ja)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021079444A1 (ja) * 2019-10-23 2021-04-29 富士通株式会社 表示方法、表示プログラム及び情報処理装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021079444A1 (ja) * 2019-10-23 2021-04-29 富士通株式会社 表示方法、表示プログラム及び情報処理装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
PATRICK LINDSTROM ; BRIAN MAC NAMEE ; SARAH JANE DELANY: "Drift Detection Using Uncertainty Distribution Divergence", DATA MINING WORKSHOPS (ICDMW), 2011 IEEE 11TH INTERNATIONAL CONFERENCE ON, IEEE, 11 December 2011 (2011-12-11), pages 604 - 608, XP032100123, ISBN: 978-1-4673-0005-6, DOI: 10.1109/ICDMW.2011.70 *
SETHI TEGJYOT SINGH, KANTARDZIC MEHMED: "On the Reliable Detection of Concept Drift from Streaming Unlabeled Data", ARXIV.ORG, CORNELL UNIVERSITY, 31 March 2017 (2017-03-31), XP093071025, [retrieved on 20230806], DOI: 10.48550/arxiv.1704.00023v1 *
YOU XIAOYU; ZHANG MI; DING DAIZONG; FENG FULI; HUANG YUANMIN: "Learning to Learn the Future Modeling Concept Drifts in Time Series Prediction", PROCEEDINGS OF THE 15TH ACM WEB SCIENCE CONFERENCE 2023, ACMPUB27, NEW YORK, NY, USA, 26 October 2021 (2021-10-26) - 30 June 2023 (2023-06-30), New York, NY, USA, pages 2434 - 2443, XP059104478, ISBN: 979-8-4007-0206-8, DOI: 10.1145/3459637.3482271 *

Also Published As

Publication number Publication date
JP2023089332A (ja) 2023-06-28
JP2023116619A (ja) 2023-08-22
JP7295208B1 (ja) 2023-06-20

Similar Documents

Publication Publication Date Title
CN109816624B (zh) 外观检查装置
CN108897829B (zh) 数据标签的修正方法、装置和存储介质
JP6187977B2 (ja) 解析装置、解析方法及びプログラム
US9690682B2 (en) Program information generating system, method, and computer program product
US11892819B2 (en) Control device, control system, control method, and computer-readable storage medium
US20180052441A1 (en) Simulation system, simulation method, and simulation program
WO2023106266A1 (ja) 推挙装置、推挙方法および推挙プログラム
JP2020098373A (ja) 異常検出装置、異常検出プログラム、及び、異常検出方法
KR102413588B1 (ko) 학습 데이터에 따른 객체 인식 모델 추천 방법, 시스템 및 컴퓨터 프로그램
WO2020121378A1 (ja) 学習装置および学習方法
JP2023084567A (ja) 可視化装置、可視化方法および可視化プログラム
JP2005301568A (ja) 表示情報記憶制御装置および表示情報記憶制御プログラム
CN112419098A (zh) 基于安全信息熵的电网安全稳定仿真样本筛选扩充方法
WO2020225902A1 (ja) 検知装置、検知方法および検知プログラム
JP7294384B2 (ja) 情報処理装置、情報処理方法およびプログラム
JP2023091578A (ja) 選定装置、選定方法および選定プログラム
WO2024004203A1 (ja) 保守支援システム、保守支援方法、および、保守支援プログラム
JP5898704B2 (ja) 隠れマルコフモデルを見出す方法
WO2024003994A1 (ja) 正常モデル生成プログラム、正常モデル生成装置および正常モデル生成方法
JP7036845B2 (ja) 表示装置、表示方法および表示プログラム
CN117257304B (zh) 一种认知能力测评方法、装置、电子设备及存储介质
JP7010403B1 (ja) 情報処理装置及び情報処理方法
JP7304401B1 (ja) 支援装置、支援方法および支援プログラム
US20240037016A1 (en) Computer readable storage medium, debugging support device, debugging support method, and machine learning device
JP2023084566A (ja) 推定装置、推定方法および推定プログラム

Legal Events

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

Ref document number: 22904194

Country of ref document: EP

Kind code of ref document: A1