JP2002024251A - 時系列データの分類方法及び装置並びに時系列データの分類プログラムを記録した記録媒体 - Google Patents
時系列データの分類方法及び装置並びに時系列データの分類プログラムを記録した記録媒体Info
- Publication number
- JP2002024251A JP2002024251A JP2000207208A JP2000207208A JP2002024251A JP 2002024251 A JP2002024251 A JP 2002024251A JP 2000207208 A JP2000207208 A JP 2000207208A JP 2000207208 A JP2000207208 A JP 2000207208A JP 2002024251 A JP2002024251 A JP 2002024251A
- Authority
- JP
- Japan
- Prior art keywords
- cluster
- data
- clustering
- nearest
- time
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000011156 evaluation Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000007796 conventional method Methods 0.000 description 7
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 235000018185 Betula X alpestris Nutrition 0.000 description 1
- 235000018212 Betula X uliginosa Nutrition 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007433 macroscopic evaluation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 208000001491 myopia Diseases 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
(57)【要約】
【課題】本発明の課題は、時系列データのクラスタリン
グをサンプル数を考慮した高い精度で行え、かつ対象と
なるデータの時間間隔に応じて適切なクラスタリングが
行える時系列データの分類方法及び装置並びに時系列デ
ータの分類プログラムを記録した記録媒体を提供するこ
とにある。 【解決手段】本発明は、クラスタリングする時、クラス
タリング精度を各クラスタについて事象が生じる時間間
隔に応じて設定するようにし、また被クラスタリングデ
ータを既存のどのクラスタに含めるか、あるいは新しい
クラスタを起すかの判断をするときの判断尺度として、
クラスタ内に存在するデータ数を考慮するようにし、ま
たクラスタの中心値と被クラスタリングデータとの時間
間隔の差分や上記クラスタ内のデータ数を考慮した評価
値を上記クラスタリング精度との比較により行うように
するものである。
グをサンプル数を考慮した高い精度で行え、かつ対象と
なるデータの時間間隔に応じて適切なクラスタリングが
行える時系列データの分類方法及び装置並びに時系列デ
ータの分類プログラムを記録した記録媒体を提供するこ
とにある。 【解決手段】本発明は、クラスタリングする時、クラス
タリング精度を各クラスタについて事象が生じる時間間
隔に応じて設定するようにし、また被クラスタリングデ
ータを既存のどのクラスタに含めるか、あるいは新しい
クラスタを起すかの判断をするときの判断尺度として、
クラスタ内に存在するデータ数を考慮するようにし、ま
たクラスタの中心値と被クラスタリングデータとの時間
間隔の差分や上記クラスタ内のデータ数を考慮した評価
値を上記クラスタリング精度との比較により行うように
するものである。
Description
【０００１】
【発明の属する技術分野】本発明は、時系列的に生じる
種々の要因を含むデータの分析に関するもので、分析の
ためにデータをクラスタリングするための時系列データ
の分類方法及びそれに用いる装置並びに時系列データの
分類プログラムを記録した記録媒体に関するものであ
る。
種々の要因を含むデータの分析に関するもので、分析の
ためにデータをクラスタリングするための時系列データ
の分類方法及びそれに用いる装置並びに時系列データの
分類プログラムを記録した記録媒体に関するものであ
る。
【０００２】このような時系列データとしては、例えば
コンビニエンスストアや商店等における特定顧客がＡ商
品購入後一定期間内にＢ商品を購入する場合、医療分野
で、ある患者が病気Ａを罹患後に、一定期間後に病気Ｂ
を罹患する場合等がある。それぞれ分野毎で事象の発生
する間隔が異なる他、同じ分野例えば商品購入の場合で
も短い間隔で発生する場合や、長い間隔で発生する場合
等、様々のケースがある。これらのデータを分析するこ
とによって、事前に次回商品購入案内のダイレクトメー
ルを発送する、病気の早期発見・予防のための検査を受
ける等が可能となり、その効果は大きい。
コンビニエンスストアや商店等における特定顧客がＡ商
品購入後一定期間内にＢ商品を購入する場合、医療分野
で、ある患者が病気Ａを罹患後に、一定期間後に病気Ｂ
を罹患する場合等がある。それぞれ分野毎で事象の発生
する間隔が異なる他、同じ分野例えば商品購入の場合で
も短い間隔で発生する場合や、長い間隔で発生する場合
等、様々のケースがある。これらのデータを分析するこ
とによって、事前に次回商品購入案内のダイレクトメー
ルを発送する、病気の早期発見・予防のための検査を受
ける等が可能となり、その効果は大きい。
【０００３】本発明は、このように時系列的に生じる種
々の要因を含むデータについて、時間間隔が短い場合か
ら長い場合まで幅広いデータについて、高い精度で適切
なクラスタリングが行え相関関係の解析に有効で、様々
の分野に広く応用できるデータ分析の方法を提供するも
のである。
々の要因を含むデータについて、時間間隔が短い場合か
ら長い場合まで幅広いデータについて、高い精度で適切
なクラスタリングが行え相関関係の解析に有効で、様々
の分野に広く応用できるデータ分析の方法を提供するも
のである。
【０００４】
【従来の技術】時系列的に生じる種々の要因を含むデー
タについて、事象毎にデータを抽出し、クラスタリング
する手法は、例えば文献１（Mariko Yoshida,Tetsuya I
izuka,Hisako Shiohara：Mining Sequential Patterns
Including Time Intervals/Proceedings of SPIE Vol.4
057 p213〜p220,April 2000）に開示されている。
タについて、事象毎にデータを抽出し、クラスタリング
する手法は、例えば文献１（Mariko Yoshida,Tetsuya I
izuka,Hisako Shiohara：Mining Sequential Patterns
Including Time Intervals/Proceedings of SPIE Vol.4
057 p213〜p220,April 2000）に開示されている。
【０００５】はじめに、従来の手法について説明する。
図７は、時系列データの一例でUserIDは個人を識別する
記号、Timeはある時点を基準とした時にその事象が生じ
た時刻、Itemは事象を識別する番号である。これを具体
例におきかえて説明すると、データ番号１は、Ａさんが
４月１９日に（基準点を４月１日とした場合）商品２を
購入した。データ番号７は、Ｂさんが４月２０日に商品
４を購入したことを表わしている。このようなデータが
多数存在する。
図７は、時系列データの一例でUserIDは個人を識別する
記号、Timeはある時点を基準とした時にその事象が生じ
た時刻、Itemは事象を識別する番号である。これを具体
例におきかえて説明すると、データ番号１は、Ａさんが
４月１９日に（基準点を４月１日とした場合）商品２を
購入した。データ番号７は、Ｂさんが４月２０日に商品
４を購入したことを表わしている。このようなデータが
多数存在する。
【０００６】図８は、図７のデータのうち特定の事象列
に着目した説明図で、具体例で説明すると、商品１を購
入してから、次に商品４を購入する場合について、デー
タをプロットしたもので、図７のデータ番号４、５に示
されるように、Ａさんが商品１を購入した後、１０日後
に（４７−３７＝１０）商品４を購入している。図８の
１→４欄のの１０はこの事象を表現したもので、図８
において丸付き数字は図７のデータにおいて、１→４が
生じる順番を、その下の数字は事象がおきた時間間隔を
示し、事例を時間間隔の短い順にプロットしている。
に着目した説明図で、具体例で説明すると、商品１を購
入してから、次に商品４を購入する場合について、デー
タをプロットしたもので、図７のデータ番号４、５に示
されるように、Ａさんが商品１を購入した後、１０日後
に（４７−３７＝１０）商品４を購入している。図８の
１→４欄のの１０はこの事象を表現したもので、図８
において丸付き数字は図７のデータにおいて、１→４が
生じる順番を、その下の数字は事象がおきた時間間隔を
示し、事例を時間間隔の短い順にプロットしている。
【０００７】図８においては、図７のデータ番号１３
および１５をプロットしたもので、Ｃさんが商品１を購
入してから８日後に（３５−２７＝８）商品４を購入し
ていることによるデータである。
および１５をプロットしたもので、Ｃさんが商品１を購
入してから８日後に（３５−２７＝８）商品４を購入し
ていることによるデータである。
【０００８】同様にして、このようなデータが多数プロ
ットされる。
ットされる。
【０００９】図９は、図８に示したデータを従来の手法
を用いてクラスタリングする場合の説明図である。
を用いてクラスタリングする場合の説明図である。
【００１０】図９は、事象がおきる時間間隔をクラスタ
リングする精度を表わすパラメータMaxDiameterを３と
した場合で、このMaxDiameterは、このデータの利用者
（ユーザ）が有意と思う時間間隔から設定される。
リングする精度を表わすパラメータMaxDiameterを３と
した場合で、このMaxDiameterは、このデータの利用者
（ユーザ）が有意と思う時間間隔から設定される。
【００１１】図８のデータ（１０）を図９においてク
ラスタリングすると、最初のデータなので、クラスタの
区分を表わすＣi は０とし、データ数は１、クラスタ区
分Ｃ i=0 の中心値は１０、データ欄は１０となる。
ラスタリングすると、最初のデータなので、クラスタの
区分を表わすＣi は０とし、データ数は１、クラスタ区
分Ｃ i=0 の中心値は１０、データ欄は１０となる。
【００１２】次に図８のデータ（８）をクラスタリン
グする場合は、 ｜８−１０｜≦３（MaxDiameter）（centeri=0 （Ｃ
i=0 の中心値）は１０） であり、新しいデータ８とクラスタＣi=0 の中心値１０
との差の絶対値は、MaxDiameter＝３より小さいので、
このデータはクラスタＣi=0 にクラスタリングされる。
グする場合は、 ｜８−１０｜≦３（MaxDiameter）（centeri=0 （Ｃ
i=0 の中心値）は１０） であり、新しいデータ８とクラスタＣi=0 の中心値１０
との差の絶対値は、MaxDiameter＝３より小さいので、
このデータはクラスタＣi=0 にクラスタリングされる。
【００１３】従って、クラスタＣi=0は、データ数が１
→２となり、Ｃi=0 の中心値（Ｃcenteri=0 ）は（１０
＋８）／２＝９であるから１０→９となる。
→２となり、Ｃi=0 の中心値（Ｃcenteri=0 ）は（１０
＋８）／２＝９であるから１０→９となる。
【００１４】さらに図８のデータ（２０）をクラスタ
リングする場合は、｜２０−９｜≧３（MaxDiameter）
なので、これはクラスタＣi=0 には含まれず新しいクラ
スタＣi=１ となり、クラスタＣi=１ の欄にデータ数
１、Ｃi=１ の中心値２０、データ欄は２０となる。
リングする場合は、｜２０−９｜≧３（MaxDiameter）
なので、これはクラスタＣi=0 には含まれず新しいクラ
スタＣi=１ となり、クラスタＣi=１ の欄にデータ数
１、Ｃi=１ の中心値２０、データ欄は２０となる。
【００１５】次に図８のデータ（１８）も同様にクラ
スタリングされ、図９に例示するように区分される。こ
のような手法により多数のデータがクラスタリングされ
る。
スタリングされ、図９に例示するように区分される。こ
のような手法により多数のデータがクラスタリングされ
る。
【００１６】従来の手法は、上記のような方法としてい
るため以下のような欠点があった。
るため以下のような欠点があった。
【００１７】 新しいデータをクラスタリングする
時、既存のＣi の中心値と新しいデータの時間間隔ｄと
の距離がユーザが設定した閾値（MaxDiameter）より大
きいか小さいかだけで評価しており、クラスタ内のデー
タ数については、考慮されていなかったので、データ数
が多いクラスタと、データ数が少ないクラスタを同じよ
うに評価していた。
時、既存のＣi の中心値と新しいデータの時間間隔ｄと
の距離がユーザが設定した閾値（MaxDiameter）より大
きいか小さいかだけで評価しており、クラスタ内のデー
タ数については、考慮されていなかったので、データ数
が多いクラスタと、データ数が少ないクラスタを同じよ
うに評価していた。
【００１８】 どのような値の時間間隔データについ
ても、同じ閾値（MaxDiameter）で評価していたので、
例えば前記したコンビニや商店での商品購入間隔と、医
療分野での病気罹患の間隔とでは時間間隔が大きく異な
るので、閾値と対象データの関係が適切でない場合、す
なわち閾値に対し対象データの時間間隔が長い場合は近
視眼的な評価をすることになり、また反対の場合にはマ
クロ的な評価しかできないことになり、適切なクラスタ
リングが行えないという欠点があった。
ても、同じ閾値（MaxDiameter）で評価していたので、
例えば前記したコンビニや商店での商品購入間隔と、医
療分野での病気罹患の間隔とでは時間間隔が大きく異な
るので、閾値と対象データの関係が適切でない場合、す
なわち閾値に対し対象データの時間間隔が長い場合は近
視眼的な評価をすることになり、また反対の場合にはマ
クロ的な評価しかできないことになり、適切なクラスタ
リングが行えないという欠点があった。
【００１９】
【発明が解決しようとする課題】本発明は上記の事情に
鑑みてなされたもので、データのクラスタリングをサン
プル数を考慮した高い精度で行え、かつ対象となるデー
タの時間間隔に応じて適切なクラスタリングが行え、相
関関係の解析に有効なクラスタリングが行える時系列デ
ータの分類方法及び装置並びに時系列データの分類プロ
グラムを記録した記録媒体を提供することを目的とす
る。
鑑みてなされたもので、データのクラスタリングをサン
プル数を考慮した高い精度で行え、かつ対象となるデー
タの時間間隔に応じて適切なクラスタリングが行え、相
関関係の解析に有効なクラスタリングが行える時系列デ
ータの分類方法及び装置並びに時系列データの分類プロ
グラムを記録した記録媒体を提供することを目的とす
る。
【００２０】
【課題を解決するための手段】上記目的を達成するため
に本発明は、時系列的に生じる複数のデータをクラスタ
リングする時系列データの分類方法において、クラスタ
リング条件を利用者の指定に基づき設定するクラスタリ
ング条件設定ステップと、被クラスタリングデータをど
のクラスタに含めるか最も近いクラスタを探すクラスタ
検索ステップと、被クラスタリングデータについてクラ
スタリングのための評価尺度を計算する計算ステップ
と、前記計算ステップの結果と前記クラスタリング条件
設定ステップの条件に基づきクラスタ分けを決定する判
定ステップとから構成されることを特徴とする。
に本発明は、時系列的に生じる複数のデータをクラスタ
リングする時系列データの分類方法において、クラスタ
リング条件を利用者の指定に基づき設定するクラスタリ
ング条件設定ステップと、被クラスタリングデータをど
のクラスタに含めるか最も近いクラスタを探すクラスタ
検索ステップと、被クラスタリングデータについてクラ
スタリングのための評価尺度を計算する計算ステップ
と、前記計算ステップの結果と前記クラスタリング条件
設定ステップの条件に基づきクラスタ分けを決定する判
定ステップとから構成されることを特徴とする。
【００２１】また本発明は、前記時系列データの分類方
法のクラスタ検索ステップにおいて、被クラスタリング
データについて、各クラスタの中心値と入力データの距
離を各クラスタの中心値で正規化した値を各クラスタに
ついて求め、その値が最小となるクラスタを最も近いク
ラスタＣｎｅａｒｅｓｔとして抽出するようにしたこと
を特徴とする。
法のクラスタ検索ステップにおいて、被クラスタリング
データについて、各クラスタの中心値と入力データの距
離を各クラスタの中心値で正規化した値を各クラスタに
ついて求め、その値が最小となるクラスタを最も近いク
ラスタＣｎｅａｒｅｓｔとして抽出するようにしたこと
を特徴とする。
【００２２】また本発明は、前記時系列データの分類方
法のクラスタリング条件設定ステップにおいて、各クラ
スタのクラスタリングの精度を表わすパラメータMaxDia
meterを、クラスタ検索ステップで得られたクラスタＣ
ｎｅａｒｅｓｔの中心値centerｎｅａｒｅｓｔを含む関
数とするようにしたことを特徴とする。
法のクラスタリング条件設定ステップにおいて、各クラ
スタのクラスタリングの精度を表わすパラメータMaxDia
meterを、クラスタ検索ステップで得られたクラスタＣ
ｎｅａｒｅｓｔの中心値centerｎｅａｒｅｓｔを含む関
数とするようにしたことを特徴とする。
【００２３】また本発明は、前記時系列データの分類方
法の計算ステップにおいて、クラスタリングのための各
クラスタの評価値Diameterを新しく挿入する被クラスタ
リングデータを含めたそのクラスタ内の各データｄ
i （ｉ＝１〜Ｎ，ｊ＝１〜Ｎ）とそのクラスタ内の全デ
ータ数Ｎとの関係を
法の計算ステップにおいて、クラスタリングのための各
クラスタの評価値Diameterを新しく挿入する被クラスタ
リングデータを含めたそのクラスタ内の各データｄ
i （ｉ＝１〜Ｎ，ｊ＝１〜Ｎ）とそのクラスタ内の全デ
ータ数Ｎとの関係を
【００２４】
【数４】
【００２５】としたことを特徴とする。これは、クラス
タ内のデータの各ペアの距離の２乗和を組合せの数で割
ったもので、文献２（Tian Zhang,Raghu,Ramakrishnan,
MironLivny/BIRCH: An Efficient Data Clustering Met
hod for Very Large Databases/ Proceedings of the 1
996 ACM SIGMOD international conference on Mana
gement of data June 3-6,1996,Montreal Canada
ｐ．103〜114）等に記載されている。
タ内のデータの各ペアの距離の２乗和を組合せの数で割
ったもので、文献２（Tian Zhang,Raghu,Ramakrishnan,
MironLivny/BIRCH: An Efficient Data Clustering Met
hod for Very Large Databases/ Proceedings of the 1
996 ACM SIGMOD international conference on Mana
gement of data June 3-6,1996,Montreal Canada
ｐ．103〜114）等に記載されている。
【００２６】また本発明は、前記時系列データの分類方
法の判定ステップにおいて、クラスタＣｎｅａｒｅｓｔ
の中心値centerｎｅａｒｅｓｔとパラメータMaxDiamete
rと評価値Diameterとの関係が、Diameter（Ｃ
ｎｅａｒｅｓｔ）≦MaxDiameter（center
ｎｅａｒｅｓｔ）であるとき、被クラスタリングデータ
ｄをクラスタＣｎｅ ａｒｅｓｔに含め、上記関係が成立
しないとき、ｄを新しいクラスタに含めるようにしたこ
とを特徴とする。
法の判定ステップにおいて、クラスタＣｎｅａｒｅｓｔ
の中心値centerｎｅａｒｅｓｔとパラメータMaxDiamete
rと評価値Diameterとの関係が、Diameter（Ｃ
ｎｅａｒｅｓｔ）≦MaxDiameter（center
ｎｅａｒｅｓｔ）であるとき、被クラスタリングデータ
ｄをクラスタＣｎｅ ａｒｅｓｔに含め、上記関係が成立
しないとき、ｄを新しいクラスタに含めるようにしたこ
とを特徴とする。
【００２７】また本発明は、時系列的に生じる複数のデ
ータをクラスタリングする時系列データの分類装置にお
いて、クラスタリング条件を利用者の指定に基づき設定
するクラスタリング条件設定手段と、被クラスタリング
データをどのクラスタに含めるか最も近いクラスタを探
すクラスタ検索手段と、被クラスタリングデータについ
てクラスタリングのための評価尺度を計算する計算手段
と、前記計算手段の結果と前記クラスタリング条件設定
手段の条件に基づきクラスタ分けを決定する判定手段と
から構成されることを特徴とするものである。
ータをクラスタリングする時系列データの分類装置にお
いて、クラスタリング条件を利用者の指定に基づき設定
するクラスタリング条件設定手段と、被クラスタリング
データをどのクラスタに含めるか最も近いクラスタを探
すクラスタ検索手段と、被クラスタリングデータについ
てクラスタリングのための評価尺度を計算する計算手段
と、前記計算手段の結果と前記クラスタリング条件設定
手段の条件に基づきクラスタ分けを決定する判定手段と
から構成されることを特徴とするものである。
【００２８】また本発明は、前記時系列データの分類装
置のクラスタ検索手段において、被クラスタリングデー
タについて、各クラスタの中心値と入力データの距離を
各クラスタの中心値で正規化した値を各クラスタについ
て求め、その値が最小となるクラスタを最も近いクラス
タＣｎｅａｒｅｓｔとして抽出するようにしたことを特
徴とするものである。
置のクラスタ検索手段において、被クラスタリングデー
タについて、各クラスタの中心値と入力データの距離を
各クラスタの中心値で正規化した値を各クラスタについ
て求め、その値が最小となるクラスタを最も近いクラス
タＣｎｅａｒｅｓｔとして抽出するようにしたことを特
徴とするものである。
【００２９】また本発明は、前記時系列データの分類装
置のクラスタリング条件設定手段において、各クラスタ
のクラスタリングの精度を表わすパラメータMaxDiamete
rを、クラスタ検索手段で得られたクラスタＣ
ｎｅａｒｅｓｔの中心値centerｎｅａ ｒｅｓｔを含む関
数とするようにしたことを特徴とするものである。
置のクラスタリング条件設定手段において、各クラスタ
のクラスタリングの精度を表わすパラメータMaxDiamete
rを、クラスタ検索手段で得られたクラスタＣ
ｎｅａｒｅｓｔの中心値centerｎｅａ ｒｅｓｔを含む関
数とするようにしたことを特徴とするものである。
【００３０】また本発明は、前記時系列データの分類装
置の計算手段において、クラスタリングのための各クラ
スタの評価値Diameterを新しく挿入する被クラスタリン
グデータを含めたそのクラスタ内の各データｄi （ｉ＝
１〜Ｎ，ｊ＝１〜Ｎ）とそのクラスタ内の全データ数Ｎ
との関係を
置の計算手段において、クラスタリングのための各クラ
スタの評価値Diameterを新しく挿入する被クラスタリン
グデータを含めたそのクラスタ内の各データｄi （ｉ＝
１〜Ｎ，ｊ＝１〜Ｎ）とそのクラスタ内の全データ数Ｎ
との関係を
【００３１】
【数５】
【００３２】としたことを特徴とするものである。
【００３３】また本発明は、前記時系列データの分類装
置の判定手段において、クラスタＣ ｎｅａｒｅｓｔの中
心値centerｎｅａｒｅｓｔとパラメータMaxDiameterと
評価値Diameterとの関係が、Diameter（Ｃ
ｎｅａｒｅｓｔ）≦MaxDiameter（center
ｎｅａｒｅｓｔ）であるとき、被クラスタリングデータ
ｄをクラスタＣｎｅａｒ ｅｓｔに含め、上記関係が成立
しないとき、ｄを新しいクラスタに含めるようにしたこ
とを特徴とするものである。
置の判定手段において、クラスタＣ ｎｅａｒｅｓｔの中
心値centerｎｅａｒｅｓｔとパラメータMaxDiameterと
評価値Diameterとの関係が、Diameter（Ｃ
ｎｅａｒｅｓｔ）≦MaxDiameter（center
ｎｅａｒｅｓｔ）であるとき、被クラスタリングデータ
ｄをクラスタＣｎｅａｒ ｅｓｔに含め、上記関係が成立
しないとき、ｄを新しいクラスタに含めるようにしたこ
とを特徴とするものである。
【００３４】また本発明は、時系列的に生じる複数のデ
ータをクラスタリングする時系列データの分類プログラ
ムを記録した記録媒体において、クラスタリング条件を
利用者の指定に基づき設定するクラスタリング条件設定
手順、被クラスタリングデータをどのクラスタに含める
か最も近いクラスタを探すクラスタ検索手順、被クラス
タリングデータについてクラスタリングのための評価尺
度を計算する計算手順、前記計算手順の結果と前記クラ
スタリング条件設定手順の条件に基づきクラスタ分けを
決定する判定手順をコンピュータに実行させるためのも
のである。
ータをクラスタリングする時系列データの分類プログラ
ムを記録した記録媒体において、クラスタリング条件を
利用者の指定に基づき設定するクラスタリング条件設定
手順、被クラスタリングデータをどのクラスタに含める
か最も近いクラスタを探すクラスタ検索手順、被クラス
タリングデータについてクラスタリングのための評価尺
度を計算する計算手順、前記計算手順の結果と前記クラ
スタリング条件設定手順の条件に基づきクラスタ分けを
決定する判定手順をコンピュータに実行させるためのも
のである。
【００３５】また本発明は、前記記録媒体に記録された
時系列データの分類プログラムのクラスタ検索手順にお
いて、被クラスタリングデータについて、各クラスタの
中心値と入力データの距離を各クラスタの中心値で正規
化した値を各クラスタについて求め、その値が最小とな
るクラスタを最も近いクラスタＣｎｅａｒｅｓｔとして
抽出するようにしたことを特徴とするものである。
時系列データの分類プログラムのクラスタ検索手順にお
いて、被クラスタリングデータについて、各クラスタの
中心値と入力データの距離を各クラスタの中心値で正規
化した値を各クラスタについて求め、その値が最小とな
るクラスタを最も近いクラスタＣｎｅａｒｅｓｔとして
抽出するようにしたことを特徴とするものである。
【００３６】また本発明は、前記記録媒体に記録された
時系列データの分類プログラムのクラスタリング条件設
定手順において、各クラスタのクラスタリングの精度を
表わすパラメータMaxDiameterを、クラスタ検索手順で
得られたクラスタＣｎｅａｒ ｅｓｔの中心値center
ｎｅａｒｅｓｔを含む関数とするようにしたことを特徴
とするものである。
時系列データの分類プログラムのクラスタリング条件設
定手順において、各クラスタのクラスタリングの精度を
表わすパラメータMaxDiameterを、クラスタ検索手順で
得られたクラスタＣｎｅａｒ ｅｓｔの中心値center
ｎｅａｒｅｓｔを含む関数とするようにしたことを特徴
とするものである。
【００３７】また本発明は、前記記録媒体に記録された
時系列データの分類プログラムの計算手順において、ク
ラスタリングのための各クラスタの評価値Diameterを新
しく挿入する被クラスタリングデータを含めたそのクラ
スタ内の各データｄi （ｉ＝１〜Ｎ，ｊ＝１〜Ｎ）とそ
のクラスタ内の全データ数Ｎとの関係を
時系列データの分類プログラムの計算手順において、ク
ラスタリングのための各クラスタの評価値Diameterを新
しく挿入する被クラスタリングデータを含めたそのクラ
スタ内の各データｄi （ｉ＝１〜Ｎ，ｊ＝１〜Ｎ）とそ
のクラスタ内の全データ数Ｎとの関係を
【００３８】
【数６】
【００３９】としたことを特徴とするものである。
【００４０】また本発明は、前記記録媒体に記録された
時系列データの分類プログラムの判定手順において、ク
ラスタＣｎｅａｒｅｓｔの中心値centerｎｅａｒｅｓｔ
とパラメータMaxDiameterと評価値Diameterとの関係
が、Diameter（Ｃｎｅａｒｅｓ ｔ）≦MaxDiameter（cen
terｎｅａｒｅｓｔ）であるとき、被クラスタリングデ
ータｄをクラスタＣｎｅａｒｅｓｔに含め、上記関係が
成立しないとき、ｄを新しいクラスタに含めるようにし
たことを特徴とするものである。
時系列データの分類プログラムの判定手順において、ク
ラスタＣｎｅａｒｅｓｔの中心値centerｎｅａｒｅｓｔ
とパラメータMaxDiameterと評価値Diameterとの関係
が、Diameter（Ｃｎｅａｒｅｓ ｔ）≦MaxDiameter（cen
terｎｅａｒｅｓｔ）であるとき、被クラスタリングデ
ータｄをクラスタＣｎｅａｒｅｓｔに含め、上記関係が
成立しないとき、ｄを新しいクラスタに含めるようにし
たことを特徴とするものである。
【００４１】本発明は、クラスタリングする時、クラス
タリング精度を各クラスタについて事象が生じる時間間
隔に応じて設定するようにし、また被クラスタリングデ
ータを既存のどのクラスタに含めるか、あるいは新しい
クラスタを起すかの判断をするときの判断尺度として、
クラスタ内に存在するデータ数を考慮するようにし、ま
たクラスタの中心値と被クラスタリングデータとの時間
間隔の差分や上記クラスタ内のデータ数を考慮した評価
値を上記クラスタリング精度との比較により行うように
するものである。
タリング精度を各クラスタについて事象が生じる時間間
隔に応じて設定するようにし、また被クラスタリングデ
ータを既存のどのクラスタに含めるか、あるいは新しい
クラスタを起すかの判断をするときの判断尺度として、
クラスタ内に存在するデータ数を考慮するようにし、ま
たクラスタの中心値と被クラスタリングデータとの時間
間隔の差分や上記クラスタ内のデータ数を考慮した評価
値を上記クラスタリング精度との比較により行うように
するものである。
【００４２】
【発明の実施の形態】以下図面を参照して本発明の実施
形態例を詳細に説明する。
形態例を詳細に説明する。
【００４３】本発明を実現するための構成手段の実施形
態例を図１に示す。
態例を図１に示す。
【００４４】図１において、１は時系列データを蓄積
し、後述するクラスタリング処理を行うための前処理を
行うための情報蓄積・処理部、１１は、時系列の生デー
タを蓄積する情報蓄積部、１２は図７に例示したように
情報蓄積部１１のデータをクラスタリングの前処理とし
てデータを整理する情報変換部、１３は図８に例示した
ように事象Ａの次に事象Ｂが生じたデータを抽出する等
クラスタリングの前処理を行う候補パターン生成部であ
る。
し、後述するクラスタリング処理を行うための前処理を
行うための情報蓄積・処理部、１１は、時系列の生デー
タを蓄積する情報蓄積部、１２は図７に例示したように
情報蓄積部１１のデータをクラスタリングの前処理とし
てデータを整理する情報変換部、１３は図８に例示した
ように事象Ａの次に事象Ｂが生じたデータを抽出する等
クラスタリングの前処理を行う候補パターン生成部であ
る。
【００４５】２は候補パターン生成部１３のデータをク
ラスタリング処理するクラスタリング処理部で、２１は
クラスタリングする条件を設定するためのパラメータMa
xDiameter設定部、２２はMaxDiameter設定部２１の条件
の下に後述するクラスタリング処理を行うクラスタリン
グ制御部、２３はクラスタリング制御部２２での処理過
程ならびに処理結果を蓄積するクラスタリングデータ部
である。
ラスタリング処理するクラスタリング処理部で、２１は
クラスタリングする条件を設定するためのパラメータMa
xDiameter設定部、２２はMaxDiameter設定部２１の条件
の下に後述するクラスタリング処理を行うクラスタリン
グ制御部、２３はクラスタリング制御部２２での処理過
程ならびに処理結果を蓄積するクラスタリングデータ部
である。
【００４６】３はユーザとのインタフェースをとる入出
力部で、３１はクラスタリング処理部２でのクラスタリ
ングの条件を指定するための条件設定部、３２はクラス
タリングデータ部２３の内容を表示する表示部である。
力部で、３１はクラスタリング処理部２でのクラスタリ
ングの条件を指定するための条件設定部、３２はクラス
タリングデータ部２３の内容を表示する表示部である。
【００４７】このように構成された本発明の動作を以下
に説明する。
に説明する。
【００４８】図９に示した従来のクラスタリング手法に
対して、本発明は図２ならびに図３に示すように処理す
るものである。（図２および後述する図３の処理は、考
え方を説明するためのもので、このような考え方の処理
を実行するプログラムを含んでいる）図２、図３の処理
を行うときの条件設定として、ユーザは条件指定部３１
において、MaxDiameter設定部２１に対して、例えば
対して、本発明は図２ならびに図３に示すように処理す
るものである。（図２および後述する図３の処理は、考
え方を説明するためのもので、このような考え方の処理
を実行するプログラムを含んでいる）図２、図３の処理
を行うときの条件設定として、ユーザは条件指定部３１
において、MaxDiameter設定部２１に対して、例えば
【００４９】
【数７】
【００５０】のように条件設定を行う。
【００５１】ここで、centerｎｅａｒｅｓｔは、クラス
タリングされるデータ（被クラスタリングデータ）ｄを
クラスタリングするのに最も適しているクラスタ（Ｃ
ｎｅａ ｒｅｓｔ）の中心値であり、例えば図９のクラス
タＣi=１では１９に相当する。Ｃｎｅａｒｅｓｔについ
ては後述する。
タリングされるデータ（被クラスタリングデータ）ｄを
クラスタリングするのに最も適しているクラスタ（Ｃ
ｎｅａ ｒｅｓｔ）の中心値であり、例えば図９のクラス
タＣi=１では１９に相当する。Ｃｎｅａｒｅｓｔについ
ては後述する。
【００５２】各クラスタの中心値Ｃcenter が、例えば
図４左欄のような場合、MaxDiameterは、それぞれ同右
欄のようになる。
図４左欄のような場合、MaxDiameterは、それぞれ同右
欄のようになる。
【００５３】これは、事象が起きる時間間隔に応じてMa
xDiameterを変化させることにより、時間間隔が比較的
長いデータに対しては、小さなMaxDiameterで処理する
と近視眼的尺度でクラスタリングする、もしくは無用な
精度でクラスタリングすることになり、これをさけるた
めである。また時間間隔が短いデータの場合も同様に、
それに見合った精度でクラスタリングできるようにする
もので、従来はMaxDiameterが固定であることによる欠
点を改善するものである。
xDiameterを変化させることにより、時間間隔が比較的
長いデータに対しては、小さなMaxDiameterで処理する
と近視眼的尺度でクラスタリングする、もしくは無用な
精度でクラスタリングすることになり、これをさけるた
めである。また時間間隔が短いデータの場合も同様に、
それに見合った精度でクラスタリングできるようにする
もので、従来はMaxDiameterが固定であることによる欠
点を改善するものである。
【００５４】なおMaxDiameterとcenterｎｅａｒｅｓｔ
の関係は、上記式（１）に限定されることはなく、分析
対象データに応じて経験則やユーザの都合に応じて設定
すればよい。
の関係は、上記式（１）に限定されることはなく、分析
対象データに応じて経験則やユーザの都合に応じて設定
すればよい。
【００５５】次に、個々の被クラスタリングデータｄi
（ｉ＝０〜ｎ）についてクラスタリングを行う手法につ
いて、図２ならびに図１により説明する。
（ｉ＝０〜ｎ）についてクラスタリングを行う手法につ
いて、図２ならびに図１により説明する。
【００５６】入力される被クラスタリングデータｄi に
ついて、クラスタリング制御部２２は、クラスタリング
データ部２３から、ｄi と最も近いクラスタＣ
ｎｅａｒｅｓ ｔを探し、ユーザが設定したMaxDiameter
に基づいて、以下の論理によりｄi をＣｎｅａｒｅｓｔ
に挿入するか、新しいクラスタをつくるかを決定する。
ついて、クラスタリング制御部２２は、クラスタリング
データ部２３から、ｄi と最も近いクラスタＣ
ｎｅａｒｅｓ ｔを探し、ユーザが設定したMaxDiameter
に基づいて、以下の論理によりｄi をＣｎｅａｒｅｓｔ
に挿入するか、新しいクラスタをつくるかを決定する。
【００５７】つまり、 Diameter（Ｃｎｅａｒｅｓｔ）≦ MaxDiameter（centerｎｅａｒｅｓｔ) 式（２） であれば、ｄi をＣｎｅａｒｅｓｔに挿入し、式（２）
が成立しなければ新しいクラスタを作成する。
が成立しなければ新しいクラスタを作成する。
【００５８】ここでDiameter（Ｃi ）は、クラスタリン
グする時の精度を表わす他のパラメータで、次式で表わ
される。
グする時の精度を表わす他のパラメータで、次式で表わ
される。
【００５９】
【数８】
【００６０】Diameter（Ｃi ）は、新しく挿入するデー
タｄi を含むクラスタのクラスタ内距離であり、詳細に
ついては後述する。
タｄi を含むクラスタのクラスタ内距離であり、詳細に
ついては後述する。
【００６１】このようにして、個々のデータのクラスタ
リングを行う。
リングを行う。
【００６２】ここで、上記において被クラスタリングデ
ータｄjと最も近いクラスタＣｎｅ ａｒｅｓｔを選択す
る手順を図３に示す。
ータｄjと最も近いクラスタＣｎｅ ａｒｅｓｔを選択す
る手順を図３に示す。
【００６３】Ｃｎｅａｒｅｓｔを決定するための評価値
としてＤj を設定する。
としてＤj を設定する。
【００６４】 Ｄj ＝｜Ｃjcenter −ｄj ｜／Ｃjcenter 式（４） を各クラスタについて計算し、Ｄj が最小となるクラス
タＣjをＣｎｅａｒｅｓ ｔとして選択する。ここで、式
（４）は各クラスタの中心値Ｃjcenter とｄj との距離
をＣjcenter で正規化することを意味し、距離として差
分絶対値ではなく、差分自乗値の平方根を用いてもよ
い。
タＣjをＣｎｅａｒｅｓ ｔとして選択する。ここで、式
（４）は各クラスタの中心値Ｃjcenter とｄj との距離
をＣjcenter で正規化することを意味し、距離として差
分絶対値ではなく、差分自乗値の平方根を用いてもよ
い。
【００６５】また上記説明において、クラスタリング時
の精度を表わす他のパラメータDiameter（Ｃi ）の意義
について図５を例にとり説明する。
の精度を表わす他のパラメータDiameter（Ｃi ）の意義
について図５を例にとり説明する。
【００６６】時間間隔ｄ＝７．０というデータをクラス
タリングする場合、これに最も近いクラスタに含まれる
既存のデータがcase１の場合とcase２の場合を想定す
る。
タリングする場合、これに最も近いクラスタに含まれる
既存のデータがcase１の場合とcase２の場合を想定す
る。
【００６７】データの数はcase１では１０個、case２で
は３個、クラスタの中心はcase１，２ともに１０．０、
新しいデータｄ＝７．０に対するクラスタ中心との距離
は、case１，２ともに３である。
は３個、クラスタの中心はcase１，２ともに１０．０、
新しいデータｄ＝７．０に対するクラスタ中心との距離
は、case１，２ともに３である。
【００６８】従って、従来の手法でMaxDiameter＝３と
すると、｜７．０−１０．０｜≦MaxDiameter＝３であ
るから、ｄはcase１，２ともこのクラスタに含まれる。
またMaxDiameter＝４とすると、case１，２とも、この
クラスタには含まれず、新しいクラスタを生成すること
になる。
すると、｜７．０−１０．０｜≦MaxDiameter＝３であ
るから、ｄはcase１，２ともこのクラスタに含まれる。
またMaxDiameter＝４とすると、case１，２とも、この
クラスタには含まれず、新しいクラスタを生成すること
になる。
【００６９】これに対し、本発明による手法によれば、
式（３）からcase２（図５（ｂ））の場合は、
式（３）からcase２（図５（ｂ））の場合は、
【００７０】
【数９】
【００７１】case１（図５（ａ））の場合については、
同様にしてDiameter＝２．２１となる。MaxDiameterを
例えば３とするとcase１ではこのクラスタに含まれる
が、case２では、このクラスタに含まれず新しいクラス
タを生成することになり、従来の手法と結果が異なって
くる。
同様にしてDiameter＝２．２１となる。MaxDiameterを
例えば３とするとcase１ではこのクラスタに含まれる
が、case２では、このクラスタに含まれず新しいクラス
タを生成することになり、従来の手法と結果が異なって
くる。
【００７２】すなわち、本発明ではそのクラスタに含ま
れるデータの数を考慮して、クラスタリングを行うの
で、より精度の高いクラスタリングが行えることを示し
ている。
れるデータの数を考慮して、クラスタリングを行うの
で、より精度の高いクラスタリングが行えることを示し
ている。
【００７３】本発明では、時系列データのクラスタリン
グにおいて、クラスタリングの精度を表わすMaxDiamete
rを固定ではなく、被クラスタリングデータｄをクラス
タリングするのに最も適したクラスタ（Ｃ
ｎｅａｒｅｓｔ）の中心値centerｎｅａｒ ｅｓｔの関数
とし、ユーザが設定できるようにした。
グにおいて、クラスタリングの精度を表わすMaxDiamete
rを固定ではなく、被クラスタリングデータｄをクラス
タリングするのに最も適したクラスタ（Ｃ
ｎｅａｒｅｓｔ）の中心値centerｎｅａｒ ｅｓｔの関数
とし、ユーザが設定できるようにした。
【００７４】またＣｎｅａｒｅｓｔを探すとき、ｄとＣ
ｎｅａｒｅｓｔの中心との距離を、クラスタ中心値cent
erｎｅａｒｅｓｔで基準化した値Ｄを評価値とし、この
Ｄが最小になるクラスタをＣｎｅａｒｅｓｔとするよう
にした。
ｎｅａｒｅｓｔの中心との距離を、クラスタ中心値cent
erｎｅａｒｅｓｔで基準化した値Ｄを評価値とし、この
Ｄが最小になるクラスタをＣｎｅａｒｅｓｔとするよう
にした。
【００７５】また、データｄをクラスタリングする際、
クラスタＣｎｅａｒｅｓｔを探しユーザが設定したMaxD
iameterに基づいて、ｄをＣｎｅａｒｅｓｔに入れる
か、新しいクラスタを作るかの決定をDiameter（Ｃ
ｎｅａｒｅｓｔ）≦ MaxDiameter（center
ｎｅａｒｅｓｔ）であれば、ｄをＣｎｅａｒｅｓｔに挿
入し、そうでなければ新しいクラスタを作成する。ここ
でDiameterは、新しく挿入するデータを含めたクラスタ
内距離とし、クラスタ内のデータ数が反映されるように
した。
クラスタＣｎｅａｒｅｓｔを探しユーザが設定したMaxD
iameterに基づいて、ｄをＣｎｅａｒｅｓｔに入れる
か、新しいクラスタを作るかの決定をDiameter（Ｃ
ｎｅａｒｅｓｔ）≦ MaxDiameter（center
ｎｅａｒｅｓｔ）であれば、ｄをＣｎｅａｒｅｓｔに挿
入し、そうでなければ新しいクラスタを作成する。ここ
でDiameterは、新しく挿入するデータを含めたクラスタ
内距離とし、クラスタ内のデータ数が反映されるように
した。
【００７６】このように構成した本発明の効果を図６に
より説明する。
より説明する。
【００７７】図６は、図８の説明図と同様に事象Ａの後
にＢが生じたデータを時間間隔の長さを横軸としてプロ
ットしたもので、横軸に対応した数字は、基準時からデ
ータが生じるまでの時間間隔の例で、図６では時間間隔
の短いもの（例えば、３日前後から）長いもの（例え
ば、３６０日前後）のデータがある場合を示している。
（説明の都合上、データの部分的な集合を図６（ａ）に
示すようにそれぞれイ〜ニ部とする） 図６（ａ）および（ｂ）は、従来の手法でクラスタリン
グした場合で、（ａ）はMaxDiameter＝５、（ｂ）はMax
Diameter＝３０で、それぞれ横長の楕円で囲んだ範囲が
注目するクラスタとして抽出された場合を示している。
にＢが生じたデータを時間間隔の長さを横軸としてプロ
ットしたもので、横軸に対応した数字は、基準時からデ
ータが生じるまでの時間間隔の例で、図６では時間間隔
の短いもの（例えば、３日前後から）長いもの（例え
ば、３６０日前後）のデータがある場合を示している。
（説明の都合上、データの部分的な集合を図６（ａ）に
示すようにそれぞれイ〜ニ部とする） 図６（ａ）および（ｂ）は、従来の手法でクラスタリン
グした場合で、（ａ）はMaxDiameter＝５、（ｂ）はMax
Diameter＝３０で、それぞれ横長の楕円で囲んだ範囲が
注目するクラスタとして抽出された場合を示している。
【００７８】図６（ａ）の場合では、データの部分的な
集合としてイ部が抽出される他、事象Ａの１〜５日後に
事象Ｂが出現する例えばロ部のような集合も抽出されて
しまう。反面ハ部、ニ部にも、データの部分集合がある
が、これらは抽出されない。
集合としてイ部が抽出される他、事象Ａの１〜５日後に
事象Ｂが出現する例えばロ部のような集合も抽出されて
しまう。反面ハ部、ニ部にも、データの部分集合がある
が、これらは抽出されない。
【００７９】また図６（ｂ）の場合では、イ部とロ部が
一緒になって抽出されてしまう。
一緒になって抽出されてしまう。
【００８０】これに対し、本発明では図６（Ｃ）部に示
すように、イ部、ハ部、ニ部が抽出され、同図の楕円の
大きさが示すようにデータの時間間隔に見合った適切な
精度でクラスタリングすることができる。
すように、イ部、ハ部、ニ部が抽出され、同図の楕円の
大きさが示すようにデータの時間間隔に見合った適切な
精度でクラスタリングすることができる。
【００８１】すなわち、短い時間間隔で事象が生じる場
合は、短い間隔の高い精度でクラスタリングし、長い時
間間隔で事象が生じる場合は、その時間間隔に見合った
適切な精度でクラスタリングし、近視眼的なクラスタリ
ングによる見落しがないようにすることができる。
合は、短い間隔の高い精度でクラスタリングし、長い時
間間隔で事象が生じる場合は、その時間間隔に見合った
適切な精度でクラスタリングし、近視眼的なクラスタリ
ングによる見落しがないようにすることができる。
【００８２】また、図５で説明したように、クラスタリ
ングにおいて、クラスタ内のデータ数も考慮してクラス
タリングできるようにしたので、より精度の高いクラス
タリングが可能となった。
ングにおいて、クラスタ内のデータ数も考慮してクラス
タリングできるようにしたので、より精度の高いクラス
タリングが可能となった。
【００８３】尚、本発明における時系列データの分類方
法は、具体的にはパーソナルコンピュータ（ＰＣ）等の
コンピュータにより、予め所定のコンピュータ読み取り
可能な記録媒体に記録された時系列データの分類プログ
ラムに基づいて実行される。
法は、具体的にはパーソナルコンピュータ（ＰＣ）等の
コンピュータにより、予め所定のコンピュータ読み取り
可能な記録媒体に記録された時系列データの分類プログ
ラムに基づいて実行される。
【００８４】すなわち、時系列的に生じる複数のデータ
をクラスタリングする時系列データの分類プログラムを
記録した記録媒体において、クラスタリング条件を利用
者の指定に基づき設定するクラスタリング条件設定手
順、被クラスタリングデータをどのクラスタに含めるか
最も近いクラスタを探すクラスタ検索手順、被クラスタ
リングデータについてクラスタリングのための評価尺度
を計算する計算手順、前記計算手順の結果と前記クラス
タリング条件設定手順の条件に基づきクラスタ分けを決
定する判定手順をコンピュータに実行させる。
をクラスタリングする時系列データの分類プログラムを
記録した記録媒体において、クラスタリング条件を利用
者の指定に基づき設定するクラスタリング条件設定手
順、被クラスタリングデータをどのクラスタに含めるか
最も近いクラスタを探すクラスタ検索手順、被クラスタ
リングデータについてクラスタリングのための評価尺度
を計算する計算手順、前記計算手順の結果と前記クラス
タリング条件設定手順の条件に基づきクラスタ分けを決
定する判定手順をコンピュータに実行させる。
【００８５】また、前記クラスタ検索手順において、被
クラスタリングデータについて、各クラスタの中心値と
入力データの距離を各クラスタの中心値で正規化した値
を各クラスタについて求め、その値が最小となるクラス
タを最も近いクラスタＣｎｅ ａｒｅｓｔとして抽出する
ようにしたことを特徴とする。
クラスタリングデータについて、各クラスタの中心値と
入力データの距離を各クラスタの中心値で正規化した値
を各クラスタについて求め、その値が最小となるクラス
タを最も近いクラスタＣｎｅ ａｒｅｓｔとして抽出する
ようにしたことを特徴とする。
【００８６】また、前記クラスタリング条件設定手順に
おいて、各クラスタのクラスタリングの精度を表わすパ
ラメータMaxDiameterを、クラスタ検索手順で得られた
クラスタＣｎｅａｒｅｓｔの中心値center
ｎｅａｒｅｓｔを含む関数とするようにしたことを特徴
とする。
おいて、各クラスタのクラスタリングの精度を表わすパ
ラメータMaxDiameterを、クラスタ検索手順で得られた
クラスタＣｎｅａｒｅｓｔの中心値center
ｎｅａｒｅｓｔを含む関数とするようにしたことを特徴
とする。
【００８７】また、前記計算手順において、クラスタリ
ングのための各クラスタの評価値Diameterを新しく挿入
する被クラスタリングデータを含めたそのクラスタ内の
各データｄi （ｉ＝１〜Ｎ，ｊ＝１〜Ｎ）とそのクラス
タ内の全データ数Ｎとの関係を
ングのための各クラスタの評価値Diameterを新しく挿入
する被クラスタリングデータを含めたそのクラスタ内の
各データｄi （ｉ＝１〜Ｎ，ｊ＝１〜Ｎ）とそのクラス
タ内の全データ数Ｎとの関係を
【００８８】
【数１０】
【００８９】としたことを特徴とする。
【００９０】また、前記判定手順において、クラスタＣ
ｎｅａｒｅｓｔの中心値centerｎｅ ａｒｅｓｔとパラメ
ータMaxDiameterと評価値Diameterとの関係が、Diamete
r（Ｃｎｅａｒｅｓｔ）≦MaxDiameter（center
ｎｅａｒｅｓｔ）であるとき、被クラスタリングデータ
ｄをクラスタＣｎｅａｒｅｓｔに含め、上記関係が成立
しないとき、ｄを新しいクラスタに含めるようにしたこ
とを特徴とする。
ｎｅａｒｅｓｔの中心値centerｎｅ ａｒｅｓｔとパラメ
ータMaxDiameterと評価値Diameterとの関係が、Diamete
r（Ｃｎｅａｒｅｓｔ）≦MaxDiameter（center
ｎｅａｒｅｓｔ）であるとき、被クラスタリングデータ
ｄをクラスタＣｎｅａｒｅｓｔに含め、上記関係が成立
しないとき、ｄを新しいクラスタに含めるようにしたこ
とを特徴とする。
【００９１】
【発明の効果】以上述べたように本発明によれば、時系
列データを時間間隔が短い場合から長い場合まで、適切
にかつ高い精度でクラスタリングすることができるの
で、広い範囲の分野のデータに対して適用することがで
きる。これによりデータの分析・相関関係の解析を適切
に行うことができる。
列データを時間間隔が短い場合から長い場合まで、適切
にかつ高い精度でクラスタリングすることができるの
で、広い範囲の分野のデータに対して適用することがで
きる。これによりデータの分析・相関関係の解析を適切
に行うことができる。
【図１】本発明の実施形態例を示す構成説明図である。
【図２】本発明の実施形態例に係るクラスタリング処理
の一例を示すフローチャートである。
の一例を示すフローチャートである。
【図３】本発明の実施形態例に係るクラスタリング処理
の部分例を示すフローチャートである。
の部分例を示すフローチャートである。
【図４】本発明の実施形態例に係るMaxDiameterの設定
例を示す説明図である。
例を示す説明図である。
【図５】本発明の実施形態例に係るDiameterの一例を示
す説明図である。
す説明図である。
【図６】本発明の実施形態例に係る効果を示す説明図で
ある。
ある。
【図７】従来の時系列データのサンプル例を示す説明図
である。
である。
【図８】従来の特定の事象例を示す説明図である。
【図９】従来の手法によるクラスタリングの例を示す説
明図である。
明図である。
１ 情報蓄積・処理部 ２ クラスタリング処理部 ３ 入出力部 １１ 情報蓄積部 １２ 情報変換部 １３ 候補パターン生成部 ２１ MaxDiameter設定部 ２２ クラスタリング制御部 ２３ クラスタリングデータ部 ３１ 条件指定部 ３２ 表示部
───────────────────────────────────────────────────── フロントページの続き (72)発明者 石黒 正典 東京都千代田区大手町二丁目３番１号 日 本電信電話株式会社内 Ｆターム(参考） 5B049 AA06 GG00 GG09 5B075 NR12 QM05
Claims (15)
- 【請求項１】 時系列的に生じる複数のデータをクラス
タリングする時系列データの分類方法において、クラス
タリング条件を利用者の指定に基づき設定するクラスタ
リング条件設定ステップと、被クラスタリングデータを
どのクラスタに含めるか最も近いクラスタを探すクラス
タ検索ステップと、被クラスタリングデータについてク
ラスタリングのための評価尺度を計算する計算ステップ
と、前記計算ステップの結果と前記クラスタリング条件
設定ステップの条件に基づきクラスタ分けを決定する判
定ステップとから構成されることを特徴とする時系列デ
ータの分類方法。 - 【請求項２】 クラスタ検索ステップにおいて、被クラ
スタリングデータについて、各クラスタの中心値と入力
データの距離を各クラスタの中心値で正規化した値を各
クラスタについて求め、その値が最小となるクラスタを
最も近いクラスタＣｎｅａｒｅｓｔとして抽出するよう
にしたことを特徴とする請求項１記載の時系列データの
分類方法。 - 【請求項３】 クラスタリング条件設定ステップにおい
て、各クラスタのクラスタリングの精度を表わすパラメ
ータMaxDiameterを、クラスタ検索ステップで得られた
クラスタＣｎｅａｒｅｓｔの中心値center
ｎｅａｒｅｓｔを含む関数とするようにしたことを特徴
とする請求項２記載の時系列データの分類方法。 - 【請求項４】 計算ステップにおいて、クラスタリング
のための各クラスタの評価値Diameterを新しく挿入する
被クラスタリングデータを含めたそのクラスタ内の各デ
ータｄi （ｉ＝１〜Ｎ，ｊ＝１〜Ｎ）とそのクラスタ内
の全データ数Ｎとの関係を 【数１】 としたことを特徴とする請求項３記載の時系列データの
分類方法。 - 【請求項５】 判定ステップにおいて、クラスタＣ
ｎｅａｒｅｓｔの中心値centerｎｅａｒｅｓｔとパラメ
ータMaxDiameterと評価値Diameterとの関係が、Diamete
r（Ｃｎｅａｒｅｓｔ）≦MaxDiameter（center
ｎｅａｒｅｓｔ）であるとき、被クラスタリングデータ
ｄをクラスタＣｎｅａｒｅｓｔに含め、上記関係が成立
しないとき、ｄを新しいクラスタに含めるようにしたこ
とを特徴とする請求項４記載の時系列データの分類方
法。 - 【請求項６】 時系列的に生じる複数のデータをクラス
タリングする時系列データの分類装置において、クラス
タリング条件を利用者の指定に基づき設定するクラスタ
リング条件設定手段と、被クラスタリングデータをどの
クラスタに含めるか最も近いクラスタを探すクラスタ検
索手段と、被クラスタリングデータについてクラスタリ
ングのための評価尺度を計算する計算手段と、前記計算
手段の結果と前記クラスタリング条件設定手段の条件に
基づきクラスタ分けを決定する判定手段とから構成され
ることを特徴とする時系列データの分類装置。 - 【請求項７】 クラスタ検索手段において、被クラスタ
リングデータについて、各クラスタの中心値と入力デー
タの距離を各クラスタの中心値で正規化した値を各クラ
スタについて求め、その値が最小となるクラスタを最も
近いクラスタＣｎｅａｒｅｓｔとして抽出するようにし
たことを特徴とする請求項６記載の時系列データの分類
装置。 - 【請求項８】 クラスタリング条件設定手段において、
各クラスタのクラスタリングの精度を表わすパラメータ
MaxDiameterを、クラスタ検索手段で得られたクラスタ
Ｃｎｅａｒｅｓｔの中心値centerｎｅａｒｅｓｔを含む
関数とするようにしたことを特徴とする請求項７記載の
時系列データの分類装置。 - 【請求項９】 計算手段において、クラスタリングのた
めの各クラスタの評価値Diameterを新しく挿入する被ク
ラスタリングデータを含めたそのクラスタ内の各データ
ｄi （ｉ＝１〜Ｎ，ｊ＝１〜Ｎ）とそのクラスタ内の全
データ数Ｎとの関係を 【数２】 としたことを特徴とする請求項８記載の時系列データの
分類装置。 - 【請求項１０】 判定手段において、クラスタＣ
ｎｅａｒｅｓｔの中心値centerｎｅａｒｅｓｔとパラメ
ータMaxDiameterと評価値Diameterとの関係が、Diamete
r（Ｃｎｅａｒｅｓｔ）≦MaxDiameter（center
ｎｅａｒｅｓｔ）であるとき、被クラスタリングデータ
ｄをクラスタＣｎｅａｒｅｓｔに含め、上記関係が成立
しないとき、ｄを新しいクラスタに含めるようにしたこ
とを特徴とする請求項９記載の時系列データの分類装
置。 - 【請求項１１】 時系列的に生じる複数のデータをクラ
スタリングする時系列データの分類プログラムを記録し
た記録媒体において、クラスタリング条件を利用者の指
定に基づき設定するクラスタリング条件設定手順、被ク
ラスタリングデータをどのクラスタに含めるか最も近い
クラスタを探すクラスタ検索手順、被クラスタリングデ
ータについてクラスタリングのための評価尺度を計算す
る計算手順、前記計算手順の結果と前記クラスタリング
条件設定手順の条件に基づきクラスタ分けを決定する判
定手順をコンピュータに実行させるための時系列データ
の分類プログラムを記録した記録媒体。 - 【請求項１２】 クラスタ検索手順において、被クラス
タリングデータについて、各クラスタの中心値と入力デ
ータの距離を各クラスタの中心値で正規化した値を各ク
ラスタについて求め、その値が最小となるクラスタを最
も近いクラスタＣｎｅａｒｅｓｔとして抽出するように
したことを特徴とする請求項１１記載の時系列データの
分類プログラムを記録した記録媒体。 - 【請求項１３】 クラスタリング条件設定手順におい
て、各クラスタのクラスタリングの精度を表わすパラメ
ータMaxDiameterを、クラスタ検索手順で得られたクラ
スタＣｎｅａｒｅｓｔの中心値centerｎｅａｒｅｓｔを
含む関数とするようにしたことを特徴とする請求項１２
記載の時系列データの分類プログラムを記録した記録媒
体。 - 【請求項１４】 計算手順において、クラスタリングの
ための各クラスタの評価値Diameterを新しく挿入する被
クラスタリングデータを含めたそのクラスタ内の各デー
タｄi （ｉ＝１〜Ｎ，ｊ＝１〜Ｎ）とそのクラスタ内の
全データ数Ｎとの関係を 【数３】 としたことを特徴とする請求項１３記載の時系列データ
の分類プログラムを記録した記録媒体。 - 【請求項１５】 判定手順において、クラスタＣ
ｎｅａｒｅｓｔの中心値centerｎｅａｒｅｓｔとパラメ
ータMaxDiameterと評価値Diameterとの関係が、Diamete
r（Ｃｎｅａｒｅｓｔ）≦MaxDiameter（center
ｎｅａｒｅｓｔ）であるとき、被クラスタリングデータ
ｄをクラスタＣｎｅａｒｅｓｔに含め、上記関係が成立
しないとき、ｄを新しいクラスタに含めるようにしたこ
とを特徴とする請求項１４記載の時系列データの分類プ
ログラムを記録した記録媒体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000207208A JP3650572B2 (ja) | 2000-07-07 | 2000-07-07 | 時系列データの分類装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000207208A JP3650572B2 (ja) | 2000-07-07 | 2000-07-07 | 時系列データの分類装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2002024251A true JP2002024251A (ja) | 2002-01-25 |
| JP3650572B2 JP3650572B2 (ja) | 2005-05-18 |
Family
ID=18704008
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2000207208A Expired - Fee Related JP3650572B2 (ja) | 2000-07-07 | 2000-07-07 | 時系列データの分類装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3650572B2 (ja) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007519993A (ja) * | 2003-12-31 | 2007-07-19 | ノキア コーポレイション | 周期的事象のためのクラスタリング技術 |
| JP2009009302A (ja) * | 2007-06-27 | 2009-01-15 | Hitachi Ltd | ストリームデータ処理方法およびストリームデータ処理システム |
| JP2009009304A (ja) * | 2007-06-27 | 2009-01-15 | Hitachi Ltd | ストリームデータの処理方法およびストリームデータ処理システム |
| US7516368B2 (en) | 2004-06-21 | 2009-04-07 | Fujitsu Limited | Apparatus, method, and computer product for pattern detection |
| WO2012117966A1 (ja) * | 2011-02-28 | 2012-09-07 | 日本電気株式会社 | データ判別装置、方法及びプログラム |
| JP2019105883A (ja) * | 2017-12-08 | 2019-06-27 | 富士通株式会社 | 判別プログラム、判別方法および判別装置 |
| CN110036402A (zh) * | 2016-12-02 | 2019-07-19 | 真实眼私人有限公司 | 用于媒体内容表现的预测的数据处理方法 |
| CN111461171A (zh) * | 2020-03-04 | 2020-07-28 | 中南大学 | 一种用于构建高炉铁水硅含量预测模型的数据优选方法及*** |
| US11423298B2 (en) * | 2017-12-08 | 2022-08-23 | Fujitsu Limited | Computer-readable recording medium, determination method, and determination apparatus |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09325890A (ja) * | 1996-06-04 | 1997-12-16 | Toshiba Corp | パターン発見方法およびパターン発見装置 |
| JPH10240716A (ja) * | 1997-02-21 | 1998-09-11 | Nec Corp | 時系列データ解析装置及びプログラムを記録した機械読み取り可能な記録媒体 |
| JPH11250094A (ja) * | 1998-03-04 | 1999-09-17 | Nippon Telegr & Teleph Corp <Ntt> | ２相データクラスタ方法および装置と２相データクラスタプログラムを記録した記録媒体 |
-
2000
- 2000-07-07 JP JP2000207208A patent/JP3650572B2/ja not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09325890A (ja) * | 1996-06-04 | 1997-12-16 | Toshiba Corp | パターン発見方法およびパターン発見装置 |
| JPH10240716A (ja) * | 1997-02-21 | 1998-09-11 | Nec Corp | 時系列データ解析装置及びプログラムを記録した機械読み取り可能な記録媒体 |
| JPH11250094A (ja) * | 1998-03-04 | 1999-09-17 | Nippon Telegr & Teleph Corp <Ntt> | ２相データクラスタ方法および装置と２相データクラスタプログラムを記録した記録媒体 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007519993A (ja) * | 2003-12-31 | 2007-07-19 | ノキア コーポレイション | 周期的事象のためのクラスタリング技術 |
| US7516368B2 (en) | 2004-06-21 | 2009-04-07 | Fujitsu Limited | Apparatus, method, and computer product for pattern detection |
| JP2009009302A (ja) * | 2007-06-27 | 2009-01-15 | Hitachi Ltd | ストリームデータ処理方法およびストリームデータ処理システム |
| JP2009009304A (ja) * | 2007-06-27 | 2009-01-15 | Hitachi Ltd | ストリームデータの処理方法およびストリームデータ処理システム |
| WO2012117966A1 (ja) * | 2011-02-28 | 2012-09-07 | 日本電気株式会社 | データ判別装置、方法及びプログラム |
| CN110036402A (zh) * | 2016-12-02 | 2019-07-19 | 真实眼私人有限公司 | 用于媒体内容表现的预测的数据处理方法 |
| JP2019105883A (ja) * | 2017-12-08 | 2019-06-27 | 富士通株式会社 | 判別プログラム、判別方法および判別装置 |
| US11423298B2 (en) * | 2017-12-08 | 2022-08-23 | Fujitsu Limited | Computer-readable recording medium, determination method, and determination apparatus |
| CN111461171A (zh) * | 2020-03-04 | 2020-07-28 | 中南大学 | 一种用于构建高炉铁水硅含量预测模型的数据优选方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3650572B2 (ja) | 2005-05-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7346600B2 (en) | Data analyzer | |
| Ravikumar et al. | Machine learning approach for automated visual inspection of machine components | |
| US6191792B1 (en) | Scheme for automatic data conversion definition generation according to data feature in visual multidimensional data analysis tool | |
| US20040205461A1 (en) | System and method for hierarchical segmentation with latent semantic indexing in scale space | |
| EP0802489A2 (en) | Multimedia database retrieval system | |
| JPWO2010053160A1 (ja) | コンテンツ検索装置およびコンテンツ検索プログラム | |
| JP3204154B2 (ja) | 時系列データ解析装置 | |
| US7836059B2 (en) | System and method for minimally predictive feature identification | |
| JP2002024251A (ja) | 時系列データの分類方法及び装置並びに時系列データの分類プログラムを記録した記録媒体 | |
| JPH11167581A (ja) | 情報分類方法、装置及びシステム | |
| TWI556128B (zh) | Forensic system, forensic method and evidence collection program | |
| KR102560276B1 (ko) | 이미지 검색 기반 감성 색채 배색 추천 장치 및 방법 | |
| JP2010092432A (ja) | データ類似度計算システム、データ類似度計算方法およびデータ類似度計算プログラム | |
| WO2008062822A1 (fr) | Dispositif d'exploration de texte, procédé d'exploration de texte et programme d'exploration de texte | |
| CN117057942B (zh) | 一种智能财务决策大数据分析*** | |
| Díaz et al. | A comparative approach between different computer vision tools, including commercial and open-source, for improving cultural image access and analysis | |
| CN108647629A (zh) | 一种图像识别定位方法、视频中图像轨迹识别方法和装置 | |
| Kuo et al. | Study on mask R-CNN with data augmentation for retail product detection | |
| JP2007249600A (ja) | 目的データをカテゴリに分類する方法 | |
| JPH11110409A (ja) | 情報分類方法及び装置 | |
| KR20210100389A (ko) | 유사 특허 검색 방법 | |
| JP4234841B2 (ja) | データ分析装置 | |
| CN115983468A (zh) | 一种基于大数据的信息预测分析方法及*** | |
| JP3929418B2 (ja) | 情報探索プログラム及び情報探索プログラムを記録した媒体 | |
| JPH08287086A (ja) | 適合度順画像強調表示方法及び装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20040727 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20040908 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20041109 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20050107 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20050215 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20050218 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080225 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090225 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090225 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100225 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110225 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110225 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120225 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130225 Year of fee payment: 8 |
|
| LAPS | Cancellation because of no payment of annual fees |