CN110134913B - 数据分析方法、数据分析装置以及记录介质 - Google Patents

数据分析方法、数据分析装置以及记录介质 Download PDF

Info

Publication number
CN110134913B
CN110134913B CN201811586249.XA CN201811586249A CN110134913B CN 110134913 B CN110134913 B CN 110134913B CN 201811586249 A CN201811586249 A CN 201811586249A CN 110134913 B CN110134913 B CN 110134913B
Authority
CN
China
Prior art keywords
information
time
autocorrelation function
autocorrelation
series data
Prior art date
Legal status (The legal status 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 status listed.)
Active
Application number
CN201811586249.XA
Other languages
English (en)
Other versions
CN110134913A (zh
Inventor
菊地启太
鹿岛久嗣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Panasonic Intellectual Property Management Co Ltd
Original Assignee
Panasonic Intellectual Property Management Co Ltd
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
Priority claimed from JP2018180542A external-priority patent/JP7149499B2/ja
Application filed by Panasonic Intellectual Property Management Co Ltd filed Critical Panasonic Intellectual Property Management Co Ltd
Publication of CN110134913A publication Critical patent/CN110134913A/zh
Application granted granted Critical
Publication of CN110134913B publication Critical patent/CN110134913B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F17/15—Correlation function computation including computation of convolution operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供数据分析方法、数据分析装置以及记录介质，即使时序数据是没有以等间隔获取数据的离散时序数据也能利用比获取的数据数量多的数据从离散时序数据高精度地计算出自相关函数。数据分析方法利用将有关电器设备的工作的第1信息和表示第1信息的时间观测点的第2信息相互对应的N个(N为3以上的自然数)第3信息各自包含的第2信息，生成观测点各自的时间差的绝对值的第1集合，对于计算出时间差的绝对值的第3信息的各组，生成表示在第1时刻的第1信息的值和从第1时刻起经过了规定时间的第2时刻的第1信息的值的相关关系的自相关系数的第2集合，计算出表示第1和第2集合之间的关系的自相关函数，基于自相关函数时序地分析第1信息。

Description

数据分析方法、数据分析装置以及记录介质
技术领域
本发明涉及一种进行电器设备的数据分析处理的数据分析方法、数据分析装置以及存储了数据分析程序的计算机可读取的记录介质。
背景技术
以往，为了确认时序数据的周期性或时序数据与过去的数据的关系性，经常使用自相关函数。然而，在时序数据为不是等间隔地获取数据的离散时序数据的情况下，难以高精度地计算出离散时序数据的自相关函数。
作为解决这样的问题的以往技术，已经提出了一种对于缺失传感值、没有等间隔地获取数据的离散时序数据，利用高斯过程插值缺失的传感值的传感值插值程序(例如，参照专利文献1)。
然而，如上述的以往技术所述，在插值缺失的传感值时存在如果数据获取数不足的话插值精度就会降低等问题。
(以往技术文献)
专利文献
专利文献1：日本发明专利公开公报特开2016-212066号
发明内容
本发明是为了解决上述问题而做出的发明，其目的在于提供一种数据分析方法、数据分析装置以及存储了数据分析程序的计算机可读取的记录介质，即使在时序数据是没有等间隔地获取数据的离散时序数据的情况下，也能利用比获取的数据数量多的数据高精度地从离散时序数据计算出自相关函数。
本发明的一方面所涉及的数据分析方法，是进行电器设备的数据分析处理的数据分析装置的数据分析方法，获取包含将有关所述电器设备的工作的第1信息和表示所述第1信息的时间观测点的第2信息相互对应起来的M(M为3以上的自然数)个以上的第3信息的时序数据信息；利用所述时序数据信息中包含的N(N是3以上的自然数)个所述第3信息各自包含的所述第2信息，计算出所述观测点各自的时间差的绝对值，将计算出的所述时间差的集合作为第1集合而生成；对于计算出所述时间差的绝对值的所述第3信息的各组，计算出表示在第1时刻的所述第1信息的值和从所述第1时刻起经过了规定时间的第2时刻的所述第1信息的值之间的相关关系的自相关系数，将计算出的所述自相关系数的集合作为第2集合而生成；基于所述第1集合和所述第2集合，计算出表示所述时间差的集合和所述自相关系数的集合之间的关系的自相关函数；基于所述自相关函数，时序地分析所述第1信息；输出有关分析结果的第4信息。根据本发明，即使在时序数据是没有等间隔地获取数据的离散时序数据的情况下，也可以利用比获取的数据数量多的数据高精度地从离散时序数据计算出自相关函数。
附图说明
图1是表示本发明的实施方式的信息处理***的整体结构的示意图。
图2是表示本发明的实施方式的数据分析装置的结构的方框图。
图3是表示本发明的实施方式的电器设备的结构的方框图。
图4是表示本发明的实施方式的时序数据存储处理的序列图。
图5是表示本发明的实施方式的数据分析装置的异常判断处理的流程图。
图6是表示图5的步骤S13的自相关函数计算处理的流程图。
图7是表示本发明的实施方式的时序数据存储部的数据库结构的一个例子的示意图。
图8是表示在本发明的实施方式涉及的数据分析装置中在异常判断请求的输入时所显示的显示画面的一个例子的示意图。
图9是表示在本发明的实施方式通过时序数据提取处理从时序数据存储部提取的异常判断对象的时序数据的一个例子的示意图。
图10是表示通过本发明的实施方式涉及的自相关系数集合生成部计算得出的与观测点之间的时间差相对应的自相关系数的一个例子的示意图。
图11是表示通过本发明的实施方式涉及的数据分析部生成的异常判断结果显示画面的一个例子的示意图。
具体实施方式
(本发明的基础知识)
如上所述，在时序数据的分析中，为了了解时序数据的数据结构而利用自相关函数。通过利用自相关函数，可以掌握前后数据的相关关系，可以进行诸如未来预测等的数据分析。以往的自相关函数从以一定的采样周期获取的时序数据计算得出。然而，例如，从家电设备得到的时序数据有很多不是以一定的采样周期获取的，高精度地计算不是以等间隔获取数据的时序数据的自相关函数存在困难。
在以往技术中，在检测到由测量部测量的在规定期间内的传感值有缺失的情况下，虽然利用高斯过程可以插值缺失的传感值，但是，如果数据获取数量不足则插值精度有可能降低。
为了解决以上的问题，本发明的一方面所涉及的数据分析方法，是进行电器设备的数据分析处理的数据分析装置的数据分析方法，获取包含将有关所述电器设备的工作的第1信息和表示所述第1信息的时间观测点的第2信息相互对应起来的M(M为3以上的自然数)个以上的第3信息的时序数据信息；利用所述时序数据信息中包含的N(N是3以上的自然数)个所述第3信息各自包含的所述第2信息，计算出所述观测点各自的时间差的绝对值，将计算出的所述时间差的集合作为第1集合而生成；对于计算出所述时间差的绝对值的所述第3信息的各组，计算出表示在第1时刻的所述第1信息的值和从所述第1时刻起经过了规定时间的第2时刻的所述第1信息的值之间的相关关系的自相关系数，将计算出的所述自相关系数的集合作为第2集合而生成；基于所述第1集合和所述第2集合，计算出表示所述时间差的集合和所述自相关系数的集合之间的关系的自相关函数；基于所述自相关函数，时序地分析所述第1信息；输出有关分析结果的第4信息。
根据此构成，利用时序数据信息中包含的N(N是3以上的自然数)个第3信息各自包含的第2信息，计算出观测点各自的时间差的绝对值，生成计算出的时间差的集合，对于计算出时间差的绝对值的第3信息的各组，计算出表示各第1信息的值之间的相关关系的自相关系数，生成计算出的自相关系数的集合，计算出表示时间差的集合和自相关系数的集合之间的关系的自相关函数。
因此，相对于通过近似离散时序数据的缺失进行插值的以往技术的方法中所利用的变量的数量为N个而言，本发明的自相关函数的计算所利用的变量的数量是从N个第3信息中提取任意两个第2信息的组合的数量NC2个，所以，即使时序数据是没有等间隔地获取数据的离散时序数据，也能利用比获取的数据数量多的数据从离散时序数据高精度地计算出自相关函数。而且，利用以高精度计算出的自相关函数，可以正确地进行电器设备的数据分析处理。
而且，在所述的数据分析方法，还可以进一步在所述第1集合，生成删除了重复的所述时间差的第3集合；所述第2集合的生成，基于所述第3集合，将所述第3集合所对应的所述自相关系数的集合作为所述第2集合而生成；所述自相关函数的计算，基于所述第3集合和所述第2集合，计算出所述自相关函数。
根据此结构，在第1集合，生成删除了重复的时间差的第3集合，将与第3集合对应的自相关系数的集合作为第2集合而生成，基于第3集合和第2集合计算出自相关函数，因此，与基于具有重复的时间差的第1集合和第2集合计算自相关函数的情况相比，能进一步缩短自相关函数的计算处理所需要的时间。
而且，在所述的数据分析方法，还可以基于所述第1集合和所述第3集合，生成从所述第1集合删除了重复的所述时间差的集合所对应的作为重复删除数的集合的第4集合；所述自相关函数的计算，基于所述第2集合、所述第3集合以及所述第4集合，计算出所述自相关函数。
根据此结构，基于第1集合和第3集合生成从第1集合删除了重复的时间差的集合所对应的作为重复删除数的集合的第4集合，基于第2集合、第3集合以及第4集合计算自相关函数，因此，能通过与删除了各时间差的重复数所对应的加权近似计算出自相关函数。
而且，在所述的数据分析方法，所述第3集合的生成还可以在所述第3集合的要素中附加0。
根据此结构，因为在第3集合的要素中附加了0，所以，可以确定时间差为0时的自相关函数的值，例如，可以确定时间差为0时的自相关函数的值为1。
而且，在所述的数据分析方法，所述自相关函数的计算，也可以基于所述第2集合、所述第3集合以及所述第4集合，以让所述自相关函数的输出值为-1以上1以下的方式计算出所述自相关函数。
根据此结构，因为是基于第2集合、第3集合以及第4集合，以让自相关函数的输出值为-1以上1以下的方式计算自相关函数，所以，可以将-1以上1以下范围内的自相关函数的输出值用于数据分析。
而且，在所述的数据分析方法，第3集合的生成也可以在所述第3集合的要素中附加0。
根据此结构，因为在第3集合的要素中附加了0，所以，可以确定时间差为0时的自相关函数的值，例如，可以确定时间差为0时的自相关函数的值为1。
而且，在所述的数据分析方法，所述自相关函数的计算，还可以基于所述第2集合和所述第3集合，以让所述自相关函数的输出值为一1以上1以下的方式计算出所述自相关函数。
根据此结构，因为是基于第2集合和第3集合，以让自相关函数的输出值为-1以上1以下的方式计算自相关函数，所以，可以将-1以上1以下范围内的自相关函数的输出值用于数据分析。
而且，在所述的数据分析方法，所述自相关函数的计算，还可以基于所述第2集合和所述第3集合，以让所述自相关函数的输出值为-1以上1以下的方式计算出所述自相关函数。
根据此结构，因为是基于第2集合和第3集合，以让自相关函数的输出值为-1以上1以下的方式计算自相关函数，所以，可以将-1以上1以下范围内的自相关函数的输出值用于数据分析。
而且，所述的数据分析方法，还可以接收对所述数据分析装置指示进行所述数据分析处理的指示信息；所述第1集合的生成，在接收到所述指示信息之后，利用所述时序数据信息中包含的N(N是3以上的自然数)个所述第3信息各自包含的所述第2信息，计算出所述观测点各自的时间差的绝对值，并将计算出的所述时间差的集合作为第1集合而生成。
根据此结构，可以将接收对数据分析装置指示进行数据分析处理的指示信息作为触发器，将时间差的集合作为第1集合而生成。
而且，在所述的数据分析方法，所述指示信息是用尸在经由网络与所述数据分析装置连接的终端进行的输入。
根据此结构，因为指示信息是用户在经由网络与数据分析装置连接的终端进行的输入，所以可以从远程通过终端对数据分析装置指示进行数据分析处理。
而且，在所述的数据分析方法，所述第1信息的分析，判断所述电器设备的工作是否正常；所述第4信息包含有关所述电器设备的工作是否正常的信息。根据此结构，可以判断电器设备的工作是否正常。
本发明的另一方面涉及的数据分析装置，是进行电器设备的数据分析处理的数据分析装置，包括：获取包含将有关所述电器设备的工作的第1信息和表示所述第1信息的时间观测点的第2信息相互对应起来的M(M为3以上的自然数)个以上的第3信息的时序数据信息的获取部；对所述时序数据信息进行数据分析处理的控制部，其中，所述控制部，利用所述时序数据信息中包含的N(N是3以上的自然数)个所述第3信息各自包含的所述第2信息，计算出所述观测点各自的时间差的绝对值，将计算出的所述时间差的集合作为第1集合而生成；对于计算出所述时间差的绝对值的所述第3信息的各组，计算出表示在第1时刻的所述第1信息的值和从所述第1时刻起经过了规定时间的第2时刻的所述第1信息的值之间的相关关系的自相关系数，将计算出的所述自相关系数的集合作为第2集合而生成；基于所述第1集合和所述第2集合，计算出表示所述时间差的集合和所述自相关系数的集合之间的关系的自相关函数；基于所述自相关函数，时序地分析所述第1信息；输出有关分析结果的第4信息。
根据此构成，利用时序数据信息中包含的N(N是3以上的自然数)个第3信息各自包含的第2信息，计算出观测点各自的时间差的绝对值，生成计算出的时间差的集合，对于计算出时间差的绝对值的第3信息的各组，计算出表示各第1信息的值之间的相关关系的自相关系数，生成计算出的自相关系数的集合，计算出表示时间差的集合和自相关系数的集合之间的关系的自相关函数。
因此，相对于通过近似离散时序数据的缺失进行插值的以往技术的方法中所利用的变量的数量为N个而言，本发明的自相关函数的计算所利用的变量的数量是从N个第3信息中提取任意两个第2信息的组合的数量NC2个，所以，即使时序数据是没有等间隔地获取数据的离散时序数据，也能利用比获取的数据数量多的数据从离散时序数据高精度地计算出自相关函数。而且，利用以高精度计算出的自相关函数，可以正确地进行电器设备的数据分析处理。
本发明的另一方面涉及的存储了数据分析程序的计算机可读取的记录介质，其中的数据分析程序用于进行电器设备的数据分析处理，让计算机执行以下处理：获取包含将有关所述电器设备的工作的第1信息和表示所述第1信息的时间观测点的第2信息相互对应起来的M(M为3以上的自然数)个以上的第3信息的时序数据信息；利用所述时序数据信息中包含的N(N是3以上的自然数)个所述第3信息各自包含的所述第2信息，计算出所述观测点各自的时间差的绝对值，将计算出的所述时间差的集合作为第1集合而生成；对于计算出所述时间差的绝对值的所述第3信息的各组，计算出表示在第1时刻的所述第1信息的值和从所述第1时刻起经过了规定时间的第2时刻的所述第1信息的值之间的相关关系的自相关系数，将计算出的所述自相关系数的集合作为第2集合而生成；基于所述第1集合和所述第2集合，计算出表示所述时间差的集合和所述自相关系数的集合之间的关系的自相关函数；基于所述自相关函数，时序地分析所述第1信息；输出有关分析结果的第4信息。
根据此构成，利用时序数据信息中包含的N(N是3以上的自然数)个第3信息各自包含的第2信息，计算出观测点各自的时间差的绝对值，生成计算出的时间差的集合，对于计算出时间差的绝对值的第3信息的各组，计算出表示各第1信息的值之间的相关关系的自相关系数，生成计算出的自相关系数的集合，计算出表示时间差的集合和自相关系数的集合之间的关系的自相关函数。
因此，相对于通过近似离散时序数据的缺失进行插值的以往技术的方法中所利用的变量的数量为N个而言，本发明的自相关函数的计算所利用的变量的数量是从N个第3信息中提取任意两个第2信息的组合的数量NC2个，所以，即使时序数据是没有等间隔地获取数据的离散时序数据，也能利用比获取的数据数量多的数据从离散时序数据高精度地计算出自相关函数。而且，利用以高精度计算出的自相关函数，可以正确地进行电器设备的数据分析处理。
以下说明的实施方式是本发明的一个具体例子。在以下的实施方式所示的数值、形状、构成要素、步骤、步骤的顺序等只是一个例子而已，不能用于限制本发明。而且，在以下的实施方式的构成要素中，对于表示上位概念的独立权利要求中未记载的构成要素，作为任意的构成要素进行说明。
(实施方式)
图1是表示本发明的实施方式中的信息处理***的整体结构的示意图。
信息处理***1具备数据分析装置100和电器设备200。在此，数据分析装置100经由网络300与电器设备200可相互通信地连接。网络300，例如可以是互联网或内部网络。数据分析装置100和电器设备200的连接可以是Wi-Fi(注册商标)、蓝牙(注册商标)、ECHONET(注册商标)或ECHONET Lite(注册商标)等的无线连接，也可以是Ethernet(注册商标)等有线连接，只要是能够通信必要的信息，可以使用任意的连接。
电器设备200是可以获取有关电器设备200的工作的第1信息(以下称为工作信息)的电器设备。在本实施方式中，虽然以电器设备200为空调设备(空调)的情况为例进行说明，但是，电器设备200只要是可以获取时序数据的电器设备什么样的电器设备都可以。具体而言，电器设备200例如是电视、空调设备、洗衣机、心率计或自动气象数据收集***等。
图2是表示本发明的实施方式的数据分析装置的结构的方框图。数据分析装置100例如是计算机。数据分析装置100具备处理器11、存储器12、通信部13、输入部14以及输出部15。存储器12例如通过安装HDD(硬盘驱动器)、RAM(随机存取存储器)或半导体存储器等辅助存储装置来实现。存储器12具备时序数据存储部121。
时序数据存储部121存储包含将电器设备200的工作信息和表示工作信息的时间观测点的第2信息(以下称为时间信息)相互对应的M个(M是3以上的自然数)以上的第3信息的时序数据信息(以下称为时序数据)。
通信部13经由网络300执行与电器设备200的通信。通信部13获取包含将有关电器设备200的工作的第1信息和表示第1信息的时间观测点的第2信息相互对应的M个(M是3以上的自然数)以上的第3信息的时序数据。通信部13接收电器设备200的时序数据，并将其输出到处理器11。
处理器11从时序数据存储部121、通信部13以及输入部14获取信息，并执行对应于获取的信息的处理。而且，处理器11将信息向时序数据存储部121、通信部13以及输出部15发送。处理器11具备信息处理部111、时序数据提取部112、计算处理部113以及数据分析部117。
信息处理部111，如果通过通信部13获取了电器设备200的时序数据，就将时序数据存储到时序数据存储部121。关于时序数据存储处理的详细情况将在以后说明。而且，信息处理部111将通过输入部14输入的异常判断请求向时序数据提取部112以及计算处理部113输出。而且，信息处理部111将通过数据分析部117输出的异常判断结果显示画面向输出部15输出。关于异常判断结果显示画面的详细情况将在以后说明。
时序数据提取部112，如果获取了异常判断请求，就从时序数据存储部121提取对应于异常判断请求的异常判断所需要的时序数据。
计算处理部113，如果通过时序数据提取部112提取了时序数据，就执行自相关函数计算处理。计算处理部113具备时间差集合生成部114、自相关系数集合生成部115以及自相关函数计算部116。
时间差集合生成部114，利用时序数据中包含的N个(N是3以上的自然数)第3信息的各自所包含的第2信息，计算出观测点各自的时间差的绝对值，将计算出的时间差的集合作为第1集合而生成。而且，时间差集合生成部114，在第1集合，生成删除了重复的时间差的第3集合。
自相关系数集合生成部115，对计算出了时间差的绝对值的第3信息的各组，计算出表示在第1时刻的第1信息的值与从第1时刻起到经过了规定时间的第2时刻的第1信息的值之间的相关关系的自相关系数，并将计算出的自相关系数的集合作为第2集合而生成。而且，自相关系数集合生成部115，基于第3集合，将对应于第3集合的自相关系数的集合作为第2集合而生成。
自相关函数计算部116，基于第2集合和第3集合，计算出表示时间差的集合与自相关系数的集合之间的关系的自相关函数。
另外，在本实施方式中，时间差集合生成部114，在第1集合，生成删除了重复的时间差的第3集合，自相关系数集合生成部115，基于第3集合，将对应于第3集合的自相关系数的集合作为第2集合而生成，但是，本发明并不局限于此，时间差集合生成部114也可以不生成第3集合，自相关系数集合生成部115也可以基于第1集合，将对应于第1集合的自相关系数的集合作为第2集合而生成。在这种情况下，自相关函数计算部116基于第1集合和第2集合，计算出表示时间差的集合和自相关系数的集合之间的关系的自相关函数。
数据分析部117，基于自相关函数，时序地分析第1信息，并输出有关分析结果的第4信息。数据分析部117判断电器设备200的工作是否正常。第4信息包含有关电器设备200的工作是否正常的信息。
输入部14将用户的操作作为输入受理，并向处理器11输出。用户的操作内容包含异常判断请求。输入部14例如是远程控制器、触摸面板、声音输入装置或键盘等，可以通过任意一种形式来实现。
另外，用户的操作也可以经由通信部13从外部设备输入，此时，数据分析装置100也可以不具备输入部14。即，通信部13也可以接收指示数据分析装置100进行数据分析处理的异常判断请求(指示信息)。时间差集合生成部114，也可以在接收到异常判断请求(指示信息)之后，利用在时序数据中包含的N个(N是3以上的自然数)第3信息各自包含的第2信息，计算出观测点各自的时间差的绝对值，将计算出的时间差的集合作为第1集合而生成。异常判断请求(指示信息)也可以经由网络300在与数据分析装置100连接的终端由用户输入。
输出部15可以显示各种信息，具体而言，显示通过处理器11获取的异常判断结果显示画面等。关于异常判断结果显示画面将在以后说明。输出部15例如是显示器或投影仪等，只要能够显示各种信息可以通过任何方式来实现。各种信息可以经由通信部13显示在外部设备上，此时，数据分析装置100电可以不具备输出部15。
而且，数据分析装置100可以是服务器。在数据分析装置100是服务器的情况下，数据分析装置100也可以不具备输入部14和输出部15，也可以让经由网络300可通信地连接于数据分析装置100的用户终端具备输入部14和输出部15。用户终端例如是智能手机或平板型计算机，可以将异常判断请求发送到数据分析装置100，从数据分析装置100接收异常判断结果或异常判断结果显示画面。并且，用户终端也可以从接收到的异常判断结果生成异常判断结果显示画面，显示生成的异常判断结果显示画面或显示接收到的异常判断结果显示画面。
图3是表示本发明的实施方式中的电器设备的结构的方框图。电器设备200具备操作部21、处理器22、存储器23、传感器24以及通信部25。
操作部21将用户的操作作为输入而接受，进行对处理器22的指示。操作部21根据用尸的操作向处理器22输出输入指示。用户的操作内容包含，例如，对于电器设备200的电源ON/OFF的切换、工作状态的切换以及设定参数的变更等。而且，操作部21例如是远程控制器、触摸面板或声音输入装置等。作为操作部21，可以利用各种操作手段。
传感器24包含设置在电器设备200上的各种传感器。在电器设备200为空调设备的情况下，传感器24例如测量室内管道温度以及风量等。传感器24将测量到的传感值输出到工作信息获取部222。另外，通过传感器24测量的传感值，不仅局限于室内管道温度以及风量，可根据电器设备200的种类的不同而不同。
处理器22执行对电器设备200的工作控制。处理器22具备设备控制部221、工作信息获取部222以及通信控制部223。
设备控制部221从操作部21获取对应于用户的操作的输入指示，让电器设备200执行与输入指示对应的工作。而且，设备控制部221也可以从存储器23获取电器设备200的工作信息，根据工作信息所示的电器设备200的状态，控制电器设备200的工作。
存储器23例如通过安装HDD、RAM或半导体存储器等辅助存储装置来实现。存储器23具备工作信息存储部231。工作信息存储部231存储由工作信息获取部222获取的工作信息。工作信息存储部231将存储的工作信息输出到通信控制部223。
工作信息获取部222从电器设备200获取工作信息并存储到存储器23。此时，从电器设备200获取工作信息的时间间隔也可以不固定。从电器设备200获取的工作信息包含，例如，电器设备200的识别信息、表示电器设备200工作状态的工作状态信息、表示通过用产的操作的输入的用户设定信息、通过传感器24测量的传感值信息等有关电器设备200的各种信息。
通信控制部223从工作信息存储部231读取工作信息并输出到通信部25。
通信部25经由网络300执行与数据分析装置100之间的通信。通信部25获取存储在工作信息存储部231中的工作信息，并将电器设备200的工作信息发送到数据分析装置100。
以下，利用附图对本实施方式涉及的信息处理***的处理进行具体的说明。
图4是表示本发明的实施方式中的时序数据存储处理的序列图。
首先，电器设备200的工作信息获取部222定期地获取电器设备200的工作信息(步骤S1)。
其次，工作信息获取部222将获取的工作信息存储到工作信息存储部231(步骤S2)。
其次，通信控制部223从工作信息存储部231读取工作信息(步骤S3)。
其次，通信部25定期地向数据分析装置100发送由通信控制部223读取的工作信息(步骤S4)。
其次，数据分析装置100的通信部13接收由电器设备200发送来的工作信息(步骤S5)。通信部13将接收到的工作信息输出到信息处理部111。
其次，信息处理部111，如果获取到工作信息，就生成将工作信息与时间信息对应起来的时序数据(步骤S6)。时间信息是信息处理部111生成时序数据的时刻。另外，时间信息也可以是通信部13接收到工作信息的时刻。
其次，信息处理部111将生成的时序数据存储到时序数据存储部121。
另外，将工作信息和时间信息对应起来的时序数据，也可以由电器设备200的通信控制部223而生成。在这种情况下，通信控制部223从工作信息存储部231读取工作信息，生成将读取的工作信息和时间信息对应起来的时序数据。此时，时间信息可以是通信控制部223生成时序数据的时刻。而且，时间信息也可以是工作信息获取部222获取工作信息的时刻。并且，通信部25定期地向数据分析装置100发送生成的时序数据。数据分析装置100的通信部13接收由电器设备200发送来的时序数据。通信部13将接收到的时序数据输出到信息处理部111。信息处理部111将获取的时序数据存储到时序数据存储部121。
而且，在工作信息不是以一定的时间间隔被获取的情况下，通过信息处理部111存储在时序数据存储部121的时序数据是不等间隔的时序数据。
图5是表示本发明的实施方式中的数据分析装置的异常判断处理的流程图。
首先，数据分析装置100的信息处理部111获取由输入部14输入的异常判断请求(步骤S11)。异常判断请求，例如，包含异常判断对象的电器设备200的识别信息、异常判断对象的传感器信息以及异常判断对象期间信息等电器设备200的异常判断所需要的全部信息。
其次，时序数据提取部112，根据异常判断请求，从时序数据存储部121提取所对应的异常判断对象的时序数据(步骤S12)。即，时序数据提取部112从被存储在时序数据存储部121的时序数据中提取异常判断请求中所包含的识别信息、传感器信息以及异常判断对象期间信息所对应的时序数据。
其次，计算处理部113执行基于由时序数据提取部112提取的异常判断对象的时序数据计算出的自相关函数的自相关函数计算处理(步骤S13)。关于计算处理部113进行的自相关函数计算处理的详细情况将利用图6在以后进行说明。
其次，数据分析部117判断计算处理部113是否计算出了自相关函数(步骤S14)。在此，在判断为没有计算出自相关函数(在步骤S14为”否”)的情况下，数据分析部117生成用于通知用户没能进行由异常判断请求指示的异常判断的不可判断通知画面(步骤S15)。
其次，输出部15显示由数据分析部117生成的不可判断通知画面(步骤S16)。用户通过确认显示在输出部15的不可判断通知画面，可以知道没能进行电器设备200的异常判断。
另外，在本实施方式中，在判断为没能计算出自相关函数的情况下，生成用于通知用户没能进行由异常判断请求所指示的异常判断的不可判断通知画面，但是，本发明并不局限于此，在判断为没能计算出自相关函数的情况下，也可以不进行步骤S15和S16的处理，结束异常判断处理。
另一方面，在判断为计算出自相关函数的情况下(在步骤S14为”是”)，数据分析部117，基于由计算处理部113计算出的自相关函数，判断异常判断对象的时序数据是否存在异常(步骤S17)。数据分析部117，例如，基于计算处理部113计算出的自相关函数，计算出自相关系数，判断计算出的自相关系数是否在规定的正常范围内。数据分析部117，在判断为计算出的自相关系数在规定的正常范围内的情况下，判断异常判断对象的时序数据中不存在异常为正常。而且，数据分析部117，在判断为计算出的自相关系数不在规定的正常范围内的情况下，判断异常判断对象的时序数据存在异常。
另外，数据分析部117也可以将通过计算处理部113计算出的自相关函数作为机械学习的输入变量，输出异常判断对象的时序数据是否存在异常的异常判断结果。数据分析部117，只要是利用计算处理部113计算出的自相关函数判断异常判断对象的时序数据是否存在异常的处理，可以是任何的处理。
其次，数据分析部117，基于表示异常判断对象的时序数据是否存在异常的异常判断结果，生成异常判断结果显示画面(步骤S18)。另外，关于异常判断结果显示画面将在以后说明。
其次，输出部15显示由数据分析部117生成的异常判断结果显示画面(步骤S19)。用户通过确认显示在输出部15的异常判断结果显示画面，可以知道电器设备200是否存在异常。
图6是表示图5的步骤S13中的自相关函数计算处理的流程图。有关推导出自相关函数计算处理的过程将在以后说明。
首先，时间差集合生成部114判断通过时序数据提取部112提取的异常判断对象的时序数据的观测点是否在3个以上(步骤S21)。在此，当电器设备200的时序数据的观测点被判断为不是在3个以上的情况下，即，在电器设备200的时序数据的观测点被判断为在2个以下的情况下(在步骤S21为”否”)，结束自相关函数计算处理。
另一方面，在电器设备200的时序数据的观测点被判断为在3个以上的情况下(在步骤S21为”是”)，时间差集合生成部114，基于异常判断对象的时序数据的时间信息计算出全部的观测点之间的时间差的绝对值，并生成作为计算出的时间差的集合的第1集合(步骤S22)。
其次，时间差集合生成部114，在第1集合，生成删除了重复的时间差的第3集合(步骤S23)。
其次，自相关系数集合生成部115，基于异常判断对象的时序数据和通过时间差集合生成部114生成的第3集合，计算出针对第3集合中所包含的全部时间差的自相关系数，并生成作为计算出的自相关系数的集合的第2集合(步骤S24)。另外，自相关系数通过后述的公式(4)计算得出。而且，自相关系数集合生成部115，基于第3集合，计算出针对第3集合所包含的全部时间差的自相关系数。
其次，自相关函数计算部116，基于由时间差集合生成部114生成的第3集合和由自相关系数集合生成部115生成的第2集合，计算出表示第3集合和第2集合之间的关系的自相关函数(步骤S25)。表示第3集合和第2集合之间的关系的自相关函数，例如，通过以第3集合作为说明变量、第2集合作为目的变量的多项式近似或高斯近似等的近似方法进行计算。此时，因为自相关系数只能取值-1到1，而且，时间差为0时自相关系数为1，因此希望在计算自相关函数之际最好附加上这些制约条件。即，自相关函数计算部116，基于第2集合和第3集合，以让自相关函数的输出值为-1以上1以下的方式计算自相关函数。
而且，在本实施方式，在步骤S23的处理之后，时间差集合生成部114也可以给第3集合的要素附加0。在这种情况下，自相关函数计算部116，也可以基于给要素附加了0的第3集合和第2集合，计算出表示第3集合和第2集合之间的关系的自相关函数。此时，自相关函数计算部116，也可以基于给要素附加了0的第3集合和第2集合，以让自相关函数的输出值为-1以上1以下的方式计算出自相关函数。
而且，在本实施方式，虽然在步骤S23生成第3集合，但是，本发明并不局限于此，也可以不生成第3集合。在这种情况下，自相关系数集合生成部115，也可以基于由时间差集合生成部114生成的第1集合，计算出对应于第1集合的自相关系数，生成作为计算出的自相关系数的集合的第2集合。并且，自相关函数计算部116，也可以基于第1集合和第2集合，计算出表示第1集合和第2集合之间的关系的自相关函数。
而且，自相关函数计算部116，在计算表示第3集合和第2集合之间的关系的自相关函数之际，也可以鉴于在步骤S23删除的各时间差的重复数，通过加权近似计算自相关函数。具体而言，重复数为1的时间差与重复数为0的时间差相比，在加权近似时赋予2倍的权重。时间差集合生成部114，也可以基于第1集合和第3集合生成第4集合，其中，第4集合作为与从第1集合删除了重复的时间差的集合相对应的重复删除数的集合。并且，自相关函数计算部116，也可以基于第2集合、第3集合以及第4集合，计算自相关函数。此时，时间差集合生成部114即可以给第3集合的要素附加0，也可以不给第3集合的要素附加0。而且，自相关函数计算部116，基于第2集合、第3集合以及第4集合，以让自相关函数的输出值为-1以上1以下的方式计算出自相关函数。
图7是表示本发明的实施方式中的时序数据存储部的数据库结构的一个例子的示意图。时序数据存储部121具有表示用于识别电器设备的识别信息的电器设备ID列、表示时间信息的时间戳列、表示传感值信息的室内管道温度列以及表示传感值信息的风量列。
在时间戳列存储有与电器设备200的工作信息对应的时间信息。存储在时间戳列的信息是表示时刻的文字列或序列号等，只要是能表示时间或时刻的信息什么都可以。在图7所示的数据库的时间戳列的第1行，作为一个例子，存储有表示与工作信息对应的时间信息为“2017-12-2215：27：11”的信息。
在电器设备ID列、室内管道温度列以及风量列，存储有电器设备200的工作信息。时序数据存储部121，在从电器设备200获取了其它的工作信息的情况下，可以增加用于存储从电器设备200获取的其它的工作信息的列。表示从电器设备200获取的工作信息的列根据电器设备200的种类而有所变化。希望针对每个电器设备200的种类，将从电器设备200获取的工作信息存储到不同的时序数据存储部121中。
在图7所示的数据库的电器设备ID列，作为一个例子，存储有表示电器设备200的电器设备ID为“XXX”的信息。该信息表明用于识别电器设备200的信息是“XXX”。在图7所示的数据库的室内管道温度列的第1行，存储有表示测量电器设备200的室内管道温度的传感器的值为“7”的信息。该信息表明电器设备200的室内管道温度为7度。而且，在图7所示的数据库的风量列的第1行，存储有表示测量电器设备200的风量的传感器的值为“0.5”的信息。该信息表明电器设备200的吹出风量为0.5m3/h。
以下，对推导自相关函数计算处理的过程进行说明。
假设从平稳过程时序数据以不限于总是一定的时间间隔从tl到tN(t是表示时刻或时间的信息)观测到N(N＞2)个标本。将该观测到的离散时序数据作为Xt，其要素为{Xt1.Xt2、…、XtN}(Xt表示在时刻或时间t的观测值)。此时，离散时序数据Xt的自相关函数R(h)通过以下所示的公式(1)来定义。另外，公式(1)中的变量h表示自相关函数计算中的时间差。
在此，因为离散时序数据Xt是从平稳过程时序数据获取的标本，所以下述公式(2)以及公式(3)成立。在此，μ表示标本平均，o2表示标本分散。
通过公式(2)和公式(3)，公式(1)可以由以下所示的公式(4)来表示。
通过公式(4)，将要计算的自相关系数的时间差的值代入变量h，可以得到所期望的自相关系数。即，在时间差a的离散时序数据Xt的自相关系数R(a)可以通过以下所示的公式(5)来计算。但是，关于离散时序数据Xt的各要素，当不存在满足xtk＝xtl+a(k和l是从1到N的自然数)的k和l的组合的情况下，不能计算出在该时间差a的自相关系数。
在此，如果要素xti和要素xtj的获取时间间隔用Δti，j(i和j是从1到N的自然数，并且，i≠j)表示，因为关于时间差Δti，j肯定存在满足xtk＝xtl+Δti，j的k、l的组合，所以可以通过公式(4)计算自相关系数。
即，不论标本的获取时间间隔是否为一定，对于从N个标本提取的任意两个要素的组合NC2个，该两个要素的时间间隔的自相关系数可以通过公式(4)计算得出。
在此，计算得出自相关系数的时间差的集合H为H＝{Δti，j}。在该集合H包含想要计算的离散时序数据Xt的自相关系数的时间差的情况下，可以通过公式(4)得到自相关系数。但是，在集合H不包含想要计算的离散时序数据Xt的自相关系数的时间差的情况下，或，即使在集合H包含想要计算的离散时序数据Xt的自相关系数的时间差但是相当于该时间差的Δti，j的要素数不足时，对于用公式(4)中的右侧的分子计算出的乘积的标本平均(期待值)，母平均的推测精度降低。即，在相当于想要计算的离散时序数据Xt的自相关系数的时间差的Δti，j的要素数较少的情况下，基于自相关系数的母自相关系数的推测精度降低。特别在离散时序数据Xt是不等间隔的时序数据的情况下，可以想象相当于想要计算的离散时序数据Xt的自相关系数的时间差的Δti，j的要素数是单数。
为了解决上述问题，本发明，可以向公式(4)中的变量h输入任意的实数，并且，基于得到的标本通过近似自相关函数进行重新构筑，从而能高精度地推测母自相关系数。以下，对其顺序进行说明。
关于能计算得出自相关系数的时间差的集合H，在集合H的要素中包含重复的值的情况下，删除该重复的值。假设从集合H删除了重复的值的集合为H′，己删除的要素数为ε，则集合H′的要素数为NC2-ε个。另外，当i＝1时，由于Δt1.2≠Δt1.3≠Δt1.4≠…≠Δt1.N，即使删除了重复的值，集合H中一定会存在N-1以上的要素，即，NC2-ε≥N-1成立。关于集合H′的全部要素，由公式(4)计算出自相关系数，将从集合H′的全部要素计算出的自相关系数的集合设定为A。在此，自相关系数在时间差为0时肯定表示为1，向集合H′的要素附加0，向集合A的要素附加1。然后，将集合H′作为说明变量，集合A作为目的变量，计算出表示集合H′和集合A之间的关系的自相关函数R′(h)。
另外，当将集合H′作为说明变量，集合A作为目的变量，计算表示集合H′与集合A之间的关系的自相关函数时所使用的近似方法，虽然可以是线性近似、多项式近似或高斯近似等什么都可以，但是，优选根据离散时序数据Xt的性质选择最佳的近似方法。而且，由于自相关系数只能取-1到1的值，考虑到该制约条件的近似方法比较有效。无论是选择哪一种近似方法，计算自相关函数R′(h)时所使用的变量的数量是NC2-ε+1个，NC2-e+1≥N成立。即，与通过近似插值离散时序数据Xt的缺失的以往的方法中所使用的变量的个数为N个的情况相比较，近似的精度得到提高。
另外，考虑到集合H的各要素的重复数，对集合H′的各要素赋予权重来计算表示集合H′和集合A之间的关系的自相关函数的方法也比较有效。
由于在按照上述方法得到的自相关函数R′(h)中的变量h可以代入任意的实数，即使是在集合H不包含想要计算的离散时序数据Xt的自相关系数的时间差的情况下，也可以通过自相关函数R′(h)计算出自相关系数。
而且，因为即使是在集合H包含想要计算的离散时序数据Xt的自相关系数的时间差的情况下，通过按照上述方法近似自相关函数进行重新构筑，可以得到考虑了与计算出的离散时序数据Xt的自相关系数的时间差接近的时间差的自相关系数的值，所以该自相关系数的母自相关系数的推测精度得到提高。
而且，自相关函数R′(h)是通过利用了NC2-ε+1个变量近似而计算得出的，与以往的利用观测到的N个变量的近似相比较，自相关函数的推测精度比较高。
以下，对电器设备200向数据分析装置100发送工作信息时的具体的处理进行说明。
假设，电器设备ID表示为“XXX”的电器设备200，在2017年12月22日15时27分11秒，将表示室温管道温度和风量分别为“7”和“0.5”的工作信息向数据分析装置100发送。如图4所示，数据分析装置100，一旦接收到工作信息，就生成并存储包含工作信息和时间信息的时序数据。另外，在本实施方式，数据分析装置100的信息处理部111生成时序数据的时刻与电器设备200发送工作信息的时刻相同。
此时，数据分析装置100的信息处理部111，在图7所示的时序数据存储部121的数据库中追加新的一行，即，电器设备ID列表示为“XXX”、时间戳列表示为“2017-12-2215：27：11”、室内管道温度列表示为“7”、风量列表示为“0.5”。
以下，对数据分析装置100中的时序数据提取部112、计算处理部113以及数据分析部117获取了异常判断请求时进行的具体的处理进行说明。
关于电器设备ID表示为“XXX”的电器设备200，假设用户请求判断从2017年12月22日15时28分30秒到2017年12月22日15时30分37秒为止的期间，室内管道温度是否存在异常。
图8是表示在本发明的实施方式所涉及的数据分析装置，当有异常判断请求输入时所显示的显示画面的一个例子的示意图。输出部15显示用于接受异常判断请求的输入的显示画面，输入部14接受用户输入的异常判断请求。如图8所示，用户经由输入部14指定进行异常判断的电器设备200的电器设备ID、异常判断对象的传感器、进行异常判断的期间。如果用户输入异常判断请求，数据分析装置100的时序数据提取部112就提取与指定的电器设备ID、异常判断对象的传感器以及进行异常判断的期间相对应的时序数据。
时序数据提取部112，从图7所示的数据库中提取在电器设备ID列存储了“XXX”、在时间戳列存储了表示从2017年12月22日15时28分30秒起到2017年12月22日15时30分37秒为止的期间的时刻的行中的时间戳列和室内管道温度列作为异常判断对象的时序数据。
图9是表示本发明的实施方式中通过时序数据提取部从时序数据存储部提取的异常判断对象的时序数据的一个例子的示意图。
在本实施方式，关于电器设备ID表示为“XXX”的电器设备，用户请求判断在2017年12月22日15时28分30秒至2017年12月22日15时30分37秒的期间室内管道温度是否存在异常。因此，如图9所示，在2017年12月22日15时28分30秒至2017年12月22日15时30分37秒为止的期间，电器设备的时间戳和室内管道温度作为自相关函数计算处理所利用的异常判断对象的时序数据被提取。
一旦时序数据的提取结束，计算处理部113就开始执行自相关函数计算处理。如果执行自相关函数计算处理，就依次执行图6所示的步骤S21至步骤S25的处理。
首先，在步骤S21，时间差集合生成部114判断通过时序数据提取部112提取的异常判断对象的时序数据的观测点是否在3个以上，即，从时序数据存储部121的数据库提取的时序数据的行数是否在3行以上。在此，如图9所示，由于通过时序数据提取部112提取的异常判断对象的时序数据的行数为5，处理转移到步骤S22。
其次，在步骤S22，时间差集合生成部114，基于通过时序数据提取部112提取的异常判断对象的时序数据，计算出全部观测点之间的时间差的绝对值，生成作为计算出的时间差的集合的第1集合。时间差集合生成部114，例如，计算出在2017年12月22日15时28分30秒观测到的数据和在2017年12月22日15时29分25秒观测到的数据的观测点之间的时间差的绝对值为“55秒”。在此，在从图9所示的数据库中提取的异常判断对象的时序数据中，由于观测点为5个，从5个观测点选出2个观测点的组合的总数为10个，可得到10个时间差。具体而言，作为全部观测点之间的时间差可计算得出“20秒”、“35秒”、“35秒”、“37秒”、“55秒”、“57秒”、“72秒”、“92秒”、“92秒”以及“127秒”。
其次，在步骤S23，时间差集合生成部114，在第1集合生成删除了重复的时间差的第3集合。时间差集合生成部114，从第1集合的“20秒”、“35秒”、“35秒”、“37秒”、“55秒”、“57秒”、“72秒”、“92秒”、“92秒”以及“127秒”中删除重复的时间差。据此，最终生成作为第3集合的观测点之间的时间差”20秒”、“35秒”、“37秒”、“55秒”、“57秒”、“72秒”、“92秒”以及“127秒”。
其次，在步骤S24，自相关系数集合生成部115，基于由时序数据提取部112提取的异常判断对象的时序数据和由时间差集合生成部114生成的观测点之间的时间差的第3集合，计算出观测点之间的时间差的第3集合中的自相关系数，生成作为计算出的自相关系数的集合的第2集合。在此，异常判断对象的时序数据的室内管道温度的标本平均μ用公式(2)计算得出为“3”，异常判断对象的时序数据的室内管道温度的标本分散σ2用公式(3)计算得出为“3.2”。例如，观测点之间的时间差为“35秒”的自相关系数，通过将μ＝3、σ2＝3.2以及h＝35代入公式(4)，由以下所示的公式(6)计算得出。
在此，当t为“2017年12月22日15时28分30秒”时，t十35为“2017年12月22日15时29分05秒”，在异常判断对象的时序数据中，“2017年12月22日15时28分30秒”的观测点和“2017年12月22日15时29分05秒”的观测点同时存在。同样，当t为“2017年12月22日15时30分02秒”时，t+35为“2017年12月22日15时30分37秒”，在异常判断对象的时序数据中，“2017年12月22日15时30分02秒”的观测点和“2017年12月22日15时30分37秒”的观测点同时存在。这样，在异常判断对象的时序数据中，t和t十35的观测点共同存在的t只有“2017年12月22日15时28分30秒”和“2017年12月22日15时30分02秒”，此时的t+35分别为“2017年12月22日15时29分05秒”和“2017年12月22日15时30分37秒”。在异常判断对象的时序数据中，在时刻“2017年12月22日15时28分30秒”的观测值是“2”，在时刻“2017年12月22日15时29分05秒”的观测值是“4”，在时刻“2017年12月22日15时30分02秒”的观测值是“6”，在时刻“2017年12月22日15时30分37秒”的观测值是“1”。因此，如果展开公式(6)中的期待值计算部，可以用以下所示的公式(7)表示，计算得出观测点之间的时间差为“35秒”的自相关系数为“-0.781”。
作为观测点之间的时间差被计算得出为”20秒”、“35秒”、“37秒”、“55秒”、“57秒”、“72秒”、”92秒”以及“127秒”，各自的观测点之间的时间差的自相关系数被计算得出为“-0.313”、“-0.781”、“-0.938”、“0.313”、“0.938”、“0.625”、“-0.781”以及“0.625”。
图10是表示通过本发明的实施方式涉及的自相关系数集合生成部计算得出的与观测点之间的时间差对应的自相关系数的一个例子的示意图。
自相关函数计算部116，基于通过时间差集合生成部114生成的时间差的第3集合和通过自相关系数集合生成部115生成的自相关系数的第2集合，计算表示时间差的第3集合和自相关系数的第2集合之间的关系的自相关函数。例如，作为说明变量的时间差被计算得出为”20秒”、“35秒”、“37秒”、“55秒”、“57秒”、“72秒”、”92秒”以及“127秒”，作为与各自的时间差对应的目的变量的自相关系数被计算得出为“-0.313”、“-0.781”、“-0.938”、“0.313”、“0.938”、“0.625”、“-0.781”以及“0.625”。为此，表示时间差的第3集合和自相关系数的第2集合之间的关系的自相关函数，通过利用最小二乘法并附加上表示在时间差为0时自相关系数为1的制约，用以下所示的4次多项式的公式(8)来表示。公式(8)中的变量h表示时间差，R(h)表示自相关函数。
R(h)＝4.24*10-7h4-1.08*10-4h3+8.69＊10-3h2-2.32*10-1h+1…(8)
自相关函数计算处理一旦结束，数据分析部117就执行异常判断处理。
数据分析部117，基于在自相关函数计算处理计算出的自相关函数，判断异常判断对象的时序数据的异常。例如，对于电器设备200的室内管道温度，如果时间差为40秒所对应的自相关系数为0.5以下，当知道在室内管道温度的时序数据中存在异常的情况下，数据分析部117，基于通过自相关函数计算部116计算出的自相关函数，判断电器设备200的室内管道温度的时间差为40秒所对应的自相关系数是否在0.5以下。
在此，数据分析部117，在判断时间差为40秒所对应的自相关系数在0.5以下的情况下，则判断室内管道温度的时序数据中存在异常。而且，数据分析部117，在判断时间差为40秒所对应的自相关系数大于0.5的情况下，则判断室内管道温度的时序数据中不存在异常，即，室内管道温度的时序数据为正常。电器设备200的室内管道温度的时间差为40秒所对应的自相关系数，通过将h＝40代入公式(8)可计算得出为“-0.203”，由于自相关系数在0.5以下，数据分析部117判断室内管道温度的时序数据中存在异常。
数据分析部117，通过将规定的时间差代入由自相关函数计算部116计算得出的自相关函数中，计算出与规定的时间差对应的自相关系数，判断计算出的自相关系数是否在规定的阈值以下。在本实施方式，在室内管道温度的时序数据的异常判断中，在规定的时间差为40秒时的自相关系数为规定的阈值0.5以下的情况下，可以预先得知室内管道温度的时序数据中存在异常。为此，数据分析部117，通过将规定的时间差40秒代入由自相关函数计算部116计算出的自相关系数，计算出规定的时间差所对应的自相关系数，判断计算出的自相关系数是否在规定的阈值0.5以下。另外，上述的规定的时间差以及规定的阈值仅仅是一个例子，并不限定为上述的值。而且，优选，根据异常判断对象来设定上述的规定的时间差以及规定的阈值。存储器12将规定的时间差以及规定的阈值与异常判断对象相互对应起来预先存储。数据分析部117，利用存储在存储器12的规定的时间差以及规定的阈值，判断异常判断对象的时序数据中是否存在异常。
输出部15显示数据分析部117的异常判断结果。数据分析部117，基于表示异常判断对象的时序数据中是否存在异常的异常判断结果，生成异常判断结果显示画面并将生成的异常判断结果显示画面输出到输出部15。
图11是表示通过本发明的实施方式涉及的数据分析部生成的异常判断结果显示画面的一个例子的示意图。
图11所示的异常判断结果显示画面显示，在的2017年12月22日15时28分30秒至2017年12月22日15时30分37秒的期间，电器设备200的室内管道温度的时序数据中存在异常的异常判断结果。数据分析部117，根据异常判断对象的时序数据中是否存在异常的异常判断结果生成异常判断结果显示画面。并且，输出部15显示由数据分析部117生成的异常判断结果显示画面。
如上所述，利用时序数据中包含的N个(N是3以上的自然数)第3信息各自包含的第2信息，计算出观测点各自的时间差的绝对值，生成被计算出的时间差的集合，对计算出时间差的绝对值的第3信息的各组，计算出表示各第1信息的值的相关关系的自相关系数，生成被计算出的自相关系数的集合，计算出表示时间差的集合和自相关系数的集合之间的关系的自相关函数。
因此，相对于通过近似离散时序数据的缺失进行插值的以往技术的方法中所利用的变量的数量为N个而言，本发明的自相关函数的计算所利用的变量的数量是从N个第3信息中提取任意两个第2信息的组合的数量NC2个，所以，即使时序数据是没有等间隔地获取数据的离散时序数据，也能利用比获取的数据数量多的数据从离散时序数据高精度地计算出自相关函数。而且，利用以高精度计算出的自相关函数，可以正确地进行电器设备的数据分析处理。
另外，在本实施方式，数据分折部117，虽然利用在自相关函数计算处理中计算出的自相关函数，进行判断异常判断对象的时序数据中是否存在异常的异常判断处理，但是，本发明并不局限于此，也可以将在自相关函数计算处理中计算出的自相关函数用于相关图的绘制、未来预测或群集(clustering)等任意的数据分析。当将在自相关函数计算处理中计算出的自相关函数用于任意的数据分析时，也可以将本实施方式的异常判断请求替换为其它的请求，也可以根据自相关函数的使用目的将异常判断处理以及异常判断结果显示处理替换为其它的处理。
相关图是以横轴为时间差、纵轴为自相关系数的自相关函数的图表。在将从时序数据计算出的自相关函数用于相关图的绘制的情况下，例如，输入部14从用户受理包含相关图绘制期间、相关图绘制对象传感器以及相关图的宽度等的相关图绘制请求的输入。数据分析部117，利用在自相关函数计算处理中计算出的自相关函数，生成表示针对以指定的宽度划分的每个时间差的自相关系数的相关图，并生成绘制了生成的相关图的显示画面。并且，输出部15显示绘制了相关图的显示画面。
而且，在将从时序数据计算出的自相关函数用于未来预测的情况下，例如，输入部14从用户受理包含用于未来预测的过去的期间、未来预测对象传感器以及在未来预测输出的未来的期间等未来预测请求的输入。数据分折部117，利用在自相关函数计算处理中计算出的自相关函数，预测指定的未来期间的传感值的变动，并生成表示预测结果的预测结果显示画面。然后，输出部15显示表示预测结果的预测结果显示画面。
并且，在将从时序数据计算出的自相关函数用于群集的情况下，例如，输入部14从用户受理包含群集对象期间以及群集对象传感器等的群集请求的输入。数据分析部117，利用在自相关函数计算处理中计算出的自相关函数，确定在指定的群集对象期间群集对象传感器的时序数据所属的群集名，生成表示所确定的群集名的群集结果显示画面。而且，输出部15显示表示群集对象传感器的时序数据所属的群集名的群集结果显示画面。
而且，本实施方式的数据分析装置100也可以用于家电设备、工厂设备或车载设备等的异常判断或未来预测。而且，本实施方式的数据分析装置100也可以用于基于市场信息的股票价格的预测。进一步，本实施方式的数据分析装置100还可以用于基于生体信息的健康状态的诊断或预测等。即，数据分析装置100还可以用于，基于时序的各种日志信息，诊断或预测与日志信息相关的各种状态。
另外，在上述各实施方式，各构成要素可以由专用的硬件构成也可以通过执行适合于各构成要素的软件程序来实现。各构成要素通过让CPU或处理器等的程序执行部读取存储在硬盘或半导体存储器等记录介质中的软件程序来实现。
本发明的实施方式所涉及的装置的功能的一部分或全部典型地通过集成电路LSI(Large Scale Integration)来实现。这些功能即可以单独地分别形成芯片也可以用一个芯片来包含这些功能的一部分或全部。而且，集成电路不仅仅局限于LSI，也可以用专用的电路或通用的处理器来实现。也可以利用在LSI制造后可编程的FPGA(Field ProgrammableGate Array)或可重构LSI内部的电路单元的连接或设定的可重构处理器。
而且，本发明的实施方式所涉及的装置的功能的一部分或全部也可以通过让CPU等的处理器执行程序来实现。
而且，上述所用的数字都是为了具体地说明本发明而给出的示例，本发明不受所示例的数字的限定。
而且，执行上述流程图所示的各步骤的顺序是为了具体地说明本发明而给出的示例，在能够获得同样效果的范围内也可以是上述以外的顺序。而且，上述步骤的一部分也可以与其它步骤同时(并行)执行。
产业上的可利用性
本发明所涉及的数据分析方法、数据分析装置以及存储了数据分析程序的计算机可读取的记录介质，即使时序数据是没有以等间隔获取数据的离散时序数据，因为可以利用比获取的数据数量多的数据从离散时序数据高精度地计算出自相关函数，所以，适用于进行电器设备的数据分析处理的数据分析方法、数据分析装置以及数据分析程序。
本申请基于在2018年2月8日向日本专利局提交的日本专利申请No.2018-021098和在2018年9月26日向日本专利局提交的日本专利申请No.2018-180542，其内容在此引入作为参考。
尽管参照附图对本发明进行了充分的说明，需要说明的是，对于本领域技术人员而言，各种各样的变形和变更都是显而易见的。因此，除非这样的变形和变更脱离了本发明所定义的范围，否则均包含在本发明之中。

Claims (12)

1.一种数据分析方法，是进行电器设备的数据分析处理的数据分析装置的数据分析方法，其特征在于，
获取包含将由传感器测量到的有关所述电器设备的工作的第1信息和表示所述第1信息的时间观测点的第2信息相互对应起来的M个以上的第3信息的时序数据信息，其中，M为3以上的自然数；
利用所述时序数据信息中包含的N个所述第3信息各自包含的所述第2信息，计算出所述观测点各自的时间差的绝对值，将计算出的所述时间差的集合作为第1集合而生成，其中，N是3以上的自然数；
对于计算出所述时间差的绝对值的所述第3信息的各组，计算出表示在第1时刻的所述第1信息的值和从所述第1时刻起经过了规定时间的第2时刻的所述第1信息的值之间的相关关系的自相关系数，将计算出的所述自相关系数的集合作为第2集合而生成；
基于所述第1集合和所述第2集合，计算出表示所述时间差的集合和所述自相关系数的集合之间的关系的自相关函数；
基于所述自相关函数，时序地分析所述第1信息，判断所述电器设备的工作是否正常；
输出有关分析结果的第4信息，所述第4信息包含有关所述电器设备的工作是否正常的信息。
2.根据权利要求1所述的数据分析方法，其特征在于，
进一步生成在所述第1集合删除了重复的所述时间差的第3集合；
所述第2集合的生成，基于所述第3集合，将所述第3集合所对应的所述自相关系数的集合作为所述第2集合而生成；
所述自相关函数的计算，基于所述第3集合和所述第2集合，计算出所述自相关函数。
3.根据权利要求2所述的数据分析方法，其特征在于，
还基于所述第1集合和所述第3集合，生成从所述第1集合删除了重复的所述时间差的集合所对应的作为重复删除数的集合的第4集合；
所述自相关函数的计算，基于所述第2集合、所述第3集合以及所述第4集合，计算出所述自相关函数。
4.根据权利要求3所述的数据分析方法，其特征在于，
所述第3集合的生成在所述第3集合的要素中附加0。
5.根据权利要求4所述的数据分析方法，其特征在于，
所述自相关函数的计算，基于所述第2集合、所述第3集合以及所述第4集合，以让所述自相关函数的输出值为-1以上1以下的方式计算出所述自相关函数。
6.根据权利要求2所述的数据分析方法，其特征在于，
所述第3集合的生成在所述第3集合的要素中附加0。
7.根据权利要求6所述的数据分析方法，其特征在于，
所述自相关函数的计算，基于所述第2集合和所述第3集合，以让所述自相关函数的输出值为-1以上1以下的方式计算出所述自相关函数。
8.根据权利要求2所述的数据分析方法，其特征在于，
所述自相关函数的计算，基于所述第2集合和所述第3集合，以让所述自相关函数的输出值为-1以上1以下的方式计算出所述自相关函数。
9.根据权利要求1至8中任一项所述的数据分析方法，其特征在于，
还接收对所述数据分析装置指示进行所述数据分析处理的指示信息；
所述第1集合的生成，在接收到所述指示信息之后，利用所述时序数据信息中包含的N个所述第3信息各自包含的所述第2信息，计算出所述观测点各自的时间差的绝对值，并将计算出的所述时间差的集合作为第1集合而生成，其中，N是3以上的自然数。
10.根据权利要求9所述的数据分析方法，其特征在于，
所述指示信息是用户在经由网络与所述数据分析装置连接的终端进行的输入。
11.一种数据分析装置，是进行电器设备的数据分析处理的数据分析装置，其特征在于包括：
获取部，获取包含将由传感器测量到的有关所述电器设备的工作的第1信息和表示所述第1信息的时间观测点的第2信息相互对应起来的M个以上的第3信息的时序数据信息，其中，M为3以上的自然数；
控制部，对所述时序数据信息进行数据分析处理，其中，
所述控制部，
利用所述时序数据信息中包含的N个所述第3信息各自包含的所述第2信息，计算出所述观测点各自的时间差的绝对值，将计算出的所述时间差的集合作为第1集合而生成，其中，N是3以上的自然数；
对于计算出所述时间差的绝对值的所述第3信息的各组，计算出表示在第1时刻的所述第1信息的值和从所述第1时刻起经过了规定时间的第2时刻的所述第1信息的值之间的相关关系的自相关系数，将计算出的所述自相关系数的集合作为第2集合而生成；
基于所述第1集合和所述第2集合，计算出表示所述时间差的集合和所述自相关系数的集合之间的关系的自相关函数；
基于所述自相关函数，时序地分析所述第1信息，判断所述电器设备的工作是否正常；
输出有关分析结果的第4信息，所述第4信息包含有关所述电器设备的工作是否正常的信息。
12.一种存储了数据分析程序的计算机可读取的记录介质，其中的数据分析程序用于进行电器设备的数据分析处理，其特征在于，该数据分析程序让计算机执行以下处理：
获取包含将由传感器测量到的有关所述电器设备的工作的第1信息和表示所述第1信息的时间观测点的第2信息相互对应起来的M个以上的第3信息的时序数据信息，其中，M为3以上的自然数；
利用所述时序数据信息中包含的N个所述第3信息各自包含的所述第2信息，计算出所述观测点各自的时间差的绝对值，将计算出的所述时间差的集合作为第1集合而生成，其中，N是3以上的自然数；
对于计算出所述时间差的绝对值的所述第3信息的各组，计算出表示在第1时刻的所述第1信息的值和从所述第1时刻起经过了规定时间的第2时刻的所述第1信息的值之间的相关关系的自相关系数，将计算出的所述自相关系数的集合作为第2集合而生成；
基于所述第1集合和所述第2集合，计算出表示所述时间差的集合和所述自相关系数的集合之间的关系的自相关函数；
基于所述自相关函数，时序地分析所述第1信息，判断所述电器设备的工作是否正常；
输出有关分析结果的第4信息，所述第4信息包含有关所述电器设备的工作是否正常的信息。
CN201811586249.XA 2018-02-08 2018-12-24 数据分析方法、数据分析装置以及记录介质 Active CN110134913B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2018021098 2018-02-08
JP2018-021098 2018-02-08
JP2018180542A JP7149499B2 (ja) 2018-02-08 2018-09-26 データ分析方法、データ分析装置及びデータ分析プログラム
JP2018-180542 2018-09-26

Publications (2)

Publication Number Publication Date
CN110134913A CN110134913A (zh) 2019-08-16
CN110134913B true CN110134913B (zh) 2023-08-18

Family

ID=67568383

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811586249.XA Active CN110134913B (zh) 2018-02-08 2018-12-24 数据分析方法、数据分析装置以及记录介质

Country Status (1)

Country Link
CN (1) CN110134913B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111259080A (zh) * 2020-01-18 2020-06-09 大连交通大学 一种科研大数据闭环信息管理方法
CN111707782A (zh) * 2020-03-30 2020-09-25 江苏方天电力技术有限公司 基于氧量的火电机组二氧化碳排放浓度异常检测方法
CN111450369A (zh) * 2020-04-22 2020-07-28 青岛市妇女儿童医院（青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心） 具有脱落检测报警的新生儿呼吸传感***及传感方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10123128A1 (de) * 2001-05-08 2002-11-21 Klaus Lehmann Verfahren zur Synchronisation von blockweise zu übertragenden Daten
JP2006163521A (ja) * 2004-12-02 2006-06-22 Research Organization Of Information & Systems 時系列データ分析装置および時系列データ分析プログラム
CN1795619A (zh) * 2003-05-28 2006-06-28 松下电器产业株式会社 接收装置及接收方法
CN103685014A (zh) * 2013-11-29 2014-03-26 武汉日电光通信工业有限公司 利用时间序列预测模型增强路由计算可靠性的***及方法
CN104266894A (zh) * 2014-09-05 2015-01-07 中国矿业大学 一种基于相关性分析的矿山微震信号初至波时刻提取方法
CN104376383A (zh) * 2014-11-27 2015-02-25 东北大学 一种基于地理信息***的电网电压监视与预测***及方法
CN104766175A (zh) * 2015-04-16 2015-07-08 东南大学 一种基于时间序列分析的电力***异常数据辨识与修正方法
US9110862B1 (en) * 2012-07-30 2015-08-18 The United States Of America As Represented By The Secretary Of The Navy System and method of use for non-parametric circular autocorrelation for signal processing
CN105675986A (zh) * 2016-02-03 2016-06-15 西安电子科技大学 数据缺失时基于时频分析窄带调频信号的到达角估计

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6637462B2 (ja) * 2017-03-15 2020-01-29 株式会社三共 遊技機

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10123128A1 (de) * 2001-05-08 2002-11-21 Klaus Lehmann Verfahren zur Synchronisation von blockweise zu übertragenden Daten
CN1795619A (zh) * 2003-05-28 2006-06-28 松下电器产业株式会社 接收装置及接收方法
JP2006163521A (ja) * 2004-12-02 2006-06-22 Research Organization Of Information & Systems 時系列データ分析装置および時系列データ分析プログラム
US9110862B1 (en) * 2012-07-30 2015-08-18 The United States Of America As Represented By The Secretary Of The Navy System and method of use for non-parametric circular autocorrelation for signal processing
CN103685014A (zh) * 2013-11-29 2014-03-26 武汉日电光通信工业有限公司 利用时间序列预测模型增强路由计算可靠性的***及方法
CN104266894A (zh) * 2014-09-05 2015-01-07 中国矿业大学 一种基于相关性分析的矿山微震信号初至波时刻提取方法
CN104376383A (zh) * 2014-11-27 2015-02-25 东北大学 一种基于地理信息***的电网电压监视与预测***及方法
CN104766175A (zh) * 2015-04-16 2015-07-08 东南大学 一种基于时间序列分析的电力***异常数据辨识与修正方法
CN105675986A (zh) * 2016-02-03 2016-06-15 西安电子科技大学 数据缺失时基于时频分析窄带调频信号的到达角估计

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李祚泳，张辉军.信息替换的均生函数主分量多步预测.气象.1994,(第05期),第16-19页. *

Also Published As

Publication number Publication date
CN110134913A (zh) 2019-08-16

Similar Documents

Publication Publication Date Title
CN110134913B (zh) 数据分析方法、数据分析装置以及记录介质
JPWO2018047655A1 (ja) 時系列データ特徴量抽出装置、時系列データ特徴量抽出方法及び時系列データ特徴量抽出プログラム
CN105593864B (zh) 用于维护设备的分析设备退化
JP2019036061A (ja) 要因分析装置、要因分析方法、およびプログラム
WO2015033603A1 (ja) 情報処理システム、情報処理方法及びプログラム
JP6678824B2 (ja) 非定常検出装置、非定常検出システム、および非定常検出方法
JP2020008997A (ja) 異常検知システム
JP7063389B2 (ja) 処理装置、処理方法、およびプログラム
CN102265227A (zh) 用于在机器状况监视中创建状态估计模型的方法和设备
JP6216294B2 (ja) 重回帰分析装置および重回帰分析方法
JP2020052740A (ja) 異常検知装置、異常検知方法及びプログラム
US11941495B2 (en) Information processing device, information processing method, and recording medium
US20140188777A1 (en) Methods and systems for identifying a precursor to a failure of a component in a physical system
JP2013058099A (ja) 制御性能評価装置、制御性能評価システム、制御性能評価プログラムおよび制御性能評価方法
KR20190060548A (ko) 변수 구간별 불량 발생 지수를 도출하여 공정 불량 원인을 파악하고 시각화하는 방법
JP2006252465A (ja) 製造装置の予知保全装置、並びに、製造装置の予知保全用コンピュータプログラム
JP7149499B2 (ja) データ分析方法、データ分析装置及びデータ分析プログラム
JP2016086521A (ja) 消費電力予測方法および装置
CN111504927A (zh) 用于食品检测的高效稳定的原子吸收光谱仪及其控制方法
JP2019149081A (ja) 情報収集装置、情報収集方法、情報収集プログラム、及び、記憶媒体
CN115099425A (zh) 一种机电设备保养的远程检测方法
JP7056747B2 (ja) 情報処理装置、処理装置、情報処理方法、処理方法、決定方法、およびプログラム
WO2016143337A1 (ja) 情報処理装置、情報処理方法、及び、記録媒体
WO2016163008A1 (ja) 異常診断装置および異常診断方法
JP5746652B2 (ja) プラントデータ再生装置およびプラントデータ再生方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant