JP2009003534A - 時系列データ分類装置、時系列データ分類方法および時系列データ処理装置 - Google Patents
時系列データ分類装置、時系列データ分類方法および時系列データ処理装置 Download PDFInfo
- Publication number
- JP2009003534A JP2009003534A JP2007161399A JP2007161399A JP2009003534A JP 2009003534 A JP2009003534 A JP 2009003534A JP 2007161399 A JP2007161399 A JP 2007161399A JP 2007161399 A JP2007161399 A JP 2007161399A JP 2009003534 A JP2009003534 A JP 2009003534A
- Authority
- JP
- Japan
- Prior art keywords
- time
- series data
- peak
- peak feature
- database
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
【解決手段】本発明の方法は、観測対象から観測された観測値を時系列に記録した時系列データと、前記観測対象の状態または種別を表す分類ラベルとを含む事例を複数格納した第1のデータベースを用意し、各前記時系列データを時間軸および前記観測値を表す軸により構成される座標系に展開し、展開された時系列データに交差する基準線を時間軸に沿って設定し、前記展開された時系列データと前記基準線との交点を検出し、隣接する交点により形成される各区間から前記展開された時系列データのピーク点を検出して、検出したピーク点の集合を含むピーク特徴列を生成し、生成した各前記ピーク特徴列を、各前記ピーク特徴列を生成するもととなった時系列データの分類ラベルと関連づけて第2のデータベースに格納し、分類ラベルを予測するべき時系列データを入力し、入力された時系列データに付与すべき分類ラベルを前記第2のデータベースに基づき予測する。
【選択図】図1
Description
観測対象から観測された観測値を時系列に記録した時系列データと、前記時系列データが得られたときの前記観測対象の状態または種別を表す分類ラベルとを含む事例を複数格納した第1のデータベースと、
各前記時系列データを時間軸および前記観測値を表す軸により構成される座標系に展開し、展開された時系列データに交差する基準線を時間軸に沿って設定し、前記展開された時系列データと前記基準線との交点を検出し、隣接する交点により形成される各区間から前記展開された時系列データのピーク点を検出して、検出したピーク点の集合を含むピーク特徴列を生成するピーク特徴抽出部と、
前記ピーク特徴抽出部によって生成された各前記ピーク特徴列を、各前記ピーク特徴列を生成するもととなった時系列データの分類ラベルと関連づけて格納する第2のデータベースと、
分類ラベルを予測するべき時系列データを入力するデータ入力部と、
前記データ入力部により入力された時系列データに付与すべき分類ラベルを前記第2のデータベースに基づき予測する予測部と、
を備える。
観測対象から観測された観測値を時系列に記録した時系列データと、前記時系列データが得られたときの前記観測対象の状態または種別を表す分類ラベルとを含む事例を複数格納した第1のデータベースと、
各前記時系列データを時間軸および前記観測値を表す軸により構成される座標系に展開し、展開された時系列データに交差する基準線を時間軸に沿って設定し、前記展開された時系列データと前記基準線との交点を検出し、隣接する交点により形成される各区間から前記展開された時系列データのピーク点を検出して、検出したピーク点の集合を含むピーク特徴列を生成するピーク特徴抽出部と、
前記ピーク特徴抽出部によって生成された各前記ピーク特徴列を、各前記ピーク特徴列を生成するもととなった時系列データの分類ラベルと関連づけて格納する第2のデータベースと、
を備える。
観測対象から観測された観測値を時系列に記録した時系列データと、前記時系列データが得られたときの前記観測対象の状態または種別を表す分類ラベルとを含む事例を複数格納した第1のデータベースを用意し、
各前記時系列データを時間軸および前記観測値を表す軸により構成される座標系に展開し、展開された時系列データに交差する基準線を時間軸に沿って設定し、前記展開された時系列データと前記基準線との交点を検出し、隣接する交点により形成される各区間から前記展開された時系列データのピーク点を検出して、検出したピーク点の集合を含むピーク特徴列を生成し、
前記ピーク特徴抽出部によって生成された各前記ピーク特徴列を、各前記ピーク特徴列を生成するもととなった時系列データの分類ラベルと関連づけて第2のデータベースに格納し、
分類ラベルを予測するべき時系列データを入力し、
入力された時系列データに付与すべき分類ラベルを前記第2のデータベースに基づき予測する、ことを特徴とする。
図1は、本発明の第1の実施形態としての時系列データ分類装置の構成を示すブロック図である。
[(0.0、 8.5)、 (1.2、 -20.3)、 (1.6、 56.0)、 (2.1、 -21.9)、 (2.8、 -23.1)、 (3.4、 52.1)、 (4.0、-15.6)]
となる。これを図示すると図12のようになる。
[(0.0、 0.0)、(1.4、 58.2)、 (1.7、 76.9)、 (2.4、 -31.4)、(3.6、 -59.1)、 (4.0、 52.1)]
となる。これを図示すると図14のようになる。
第1の本実施形態では、ピーク特徴抽出部15において、各波形分割区間を対象にピーク点の検出を行ったが、さらに細かいピーク検出を行うこともできる。すなわち、波形分割区間で2つ以上のピーク点が検出された場合、検出されたピーク点のうちの2つで囲まれる区間を対象として、上述したピーク検出をさらに行う。これを、あらかじめ決めておいた最大繰り返し段数を限度として行う。以下本実施形態について詳細に説明する。
本実施形態は、第1および第2の実施形態の方法では検出できない特徴点をも抽出しようとするものである。たとえば図27に示すような点(曲がり角)は、第1および第2の実施形態の方法では抽出することができない。本実施形態ではこのような点も波形(時系列データ)の特徴点として抽出する。
本実施形態は、第1の実施形態で述べたピーク選定部17および予測部21の処理を拡張したことを特徴とする。
図37は、本実施形態としての時系列データ削減装置(時系列データ処理装置)の構成を示すブロック図である。
12:訓練データ入力部
13:波形選定部(事例選定部)
14:選定波形データベース(第4のデータベース)
15:ピーク特徴抽出部
16:ピーク特徴列集合データベース(第2のデータベース)
17:ピーク選定部
18:重要ピーク特徴列集合データベース(第3のデータベース)
19:分類未知時系列データ集合データベース
20:分類未知データ入力部(データ入力部)
21:予測部
22:結果表示部
Claims (25)
- 観測対象から観測された観測値を時系列に記録した時系列データと、前記時系列データが得られたときの前記観測対象の状態または種別を表す分類ラベルとを含む事例を複数格納した第1のデータベースと、
各前記時系列データを時間軸および前記観測値を表す軸により構成される座標系に展開し、展開された時系列データに交差する基準線を時間軸に沿って設定し、前記展開された時系列データと前記基準線との交点を検出し、隣接する交点により形成される各区間から前記展開された時系列データのピーク点を検出して、検出したピーク点の集合を含むピーク特徴列を生成するピーク特徴抽出部と、
前記ピーク特徴抽出部によって生成された各前記ピーク特徴列を、各前記ピーク特徴列を生成するもととなった時系列データの分類ラベルと関連づけて格納する第2のデータベースと、
分類ラベルを予測するべき時系列データを入力するデータ入力部と、
前記データ入力部により入力された時系列データに付与すべき分類ラベルを前記第2のデータベースに基づき予測する予測部と、
を備えた時系列データ分類装置。 - 前記ピーク特徴抽出部は、前記展開された時系列データの振幅方向の基準値を求め、求めた基準値を通る、時間軸に平行な線を引くことにより前記基準線を設定することを特徴とする請求項1に記載の時系列データ分類装置。
- 前記ピーク特徴抽出部は、前記隣接する交点のうち時間的に前方にある区間開始点から、時間的に後方にある区間終了点に向けて探索を行うことにより最初に見つかる第1ピーク点と、前記区間終了点から前記区間開始点に向けて探索を行うことにより最初に見つかる第2ピーク点とを検出することを特徴とする請求項1または2に記載の時系列データ分類装置。
- 前記ピーク特徴抽出部は、さらに、前記隣接する交点により形成される区間において最も振幅が大きい第3ピーク点を検出することを特徴とする請求項3に記載の時系列データ分類装置。
- 前記ピーク特徴抽出部は、前記第1ピーク点と前記第2ピーク点が同一であるときは前記第3ピーク点の検出を省略することを特徴とする請求項4に記載の時系列データ分類装置。
- 前記ピーク特徴抽出部は、1つの区間から複数のピーク点を検出したとき、前記複数のピーク点のうちの2つを開始点および終了点とする新たな区間においてさらにピーク点検出を行うことを特徴とする請求項1ないし5のいずれか一項に記載の時系列データ分類装置。
- 前記ピーク特徴抽出部は、前記展開された時系列データの始点および終点と、前記展開された時系列データと前記基準線との交点と、各前記区間から抽出したピーク点とを含む点集合から選択した隣接する任意の点同士を結ぶ線分から、前記展開された時系列データに対する長さが最大になる垂線と前記展開された時系列データとの交点を検出し、検出した交点を前記ピーク特徴列に含めることを特徴とする請求項1ないし6のいずれか一項に記載の時系列データ分類装置。
- 前記ピーク特徴抽出部は、
前記区間の区間開始点または区間終了点を通る時間軸に平行な移動直線を、前記区間内のピーク点の方向に時間軸に垂直に移動させていき、
前記区間開始点または前記区間終了点を通り時間軸に垂直な直線と、前記基準線と、前記移動直線と、前記ピーク点を通り時間軸に垂直な線とで囲まれる領域を前記展開された時系列データがあらかじめ定められた比率で分割するときにおける、前記移動直線と前記展開された時系列データと交点を検出し、検出した交点を前記ピーク特徴列に含めることを特徴とする請求項1ないし6のいずれか一項に記載の時系列データ分類装置。 - 前記ピーク特徴抽出部は、
前記区間から検出したピーク点を通る時間軸に平行な第1および第2の直線を設定し、
前記第2の直線を前記区間の区間開始点または区間終了点の方向に時間軸に垂直に移動させていき、
前記区間開始点または前記区間終了点を通り時間軸に垂直な直線と、前記第1の直線と、前記第2の直線と、前記ピーク点を通り時間軸に垂直な線とで囲まれる領域を前記展開された時系列データがあらかじめ定められた比率で分割するときにおける、前記第2の直線と前記展開された時系列データとの交点を検出し、検出した交点を前記ピーク特徴列に含めることを特徴とする請求項1ないし6のいずれか一項に記載の時系列データ分類装置。 - 前記第1のデータベースまたは前記第2のデータベースに基づき得られる分類器に与えたときに、正解の分類ラベルが所望の精度で得られるピーク点の集合を含む重要ピーク特徴列を、各前記ピーク特徴列の各々から複数のピーク点を選定することにより生成するピーク選定部と、
前記ピーク選定部によって生成された各重要ピーク特徴列を、前記重要ピーク特徴列を生成するもととなったピーク特徴列の分類ラベルと対応づけて格納する第3のデータベースとをさらに備え、
前記予測部は、前記データ入力部により入力された時系列データに付与すべき分類ラベルを前記第3のデータベースに基づき予測する、
ことを特徴とする請求項1ないし9のいずれか一項に記載の時系列データ分類装置。 - 前記ピーク選定部は、前記各重要ピーク特徴列の分類精度を計算し、
前記予測部は、あらかじめ与えられた閾値時間内で、前記分類精度の高い重要ピーク特徴列から優先的に用いて、前記分類ラベルの予測を行う、
ことを特徴とする請求項10に記載の時系列データ分類装置。 - 前記ピーク選定部は、前記各重要ピーク特徴列の分類精度を計算し、
前記第3のデータベースは、前記分類精度があらかじめ与えられた足切り基準を満たす重要ピーク特徴列のみ格納することを特徴とする請求項10または11に記載の時系列データ分類装置。 - 前記ピーク選定部は、前記各重要ピーク特徴列の分類精度を計算し、前記各重要ピーク特徴列の分類精度を利用して前記各重要ピーク特徴列に含まれる点の重要度を計算し、
前記予測部は、あらかじめ与えられた閾値時間内で、前記各重要ピーク特徴列において重要度の高い点から徐々に使用する点の数を増やしながら前記分類ラベルの予測を行うことを特徴とする請求項10ないし12のいずれか一項に記載の時系列データ分類装置。 - 前記ピーク選定部は、前記各重要ピーク特徴列に含まれる点を所定の時間間隔で区分し、区分による各区間に含まれる点の重要度を、前記区間に含まれる点の個数と、前記各重要ピーク特徴列の個数と、前記各重要ピーク特徴列の分類精度とに基づき計算する、ことを特徴とする請求項13に記載の時系列データ分類装置。
- 前記ピーク選定部は、前記ピーク特徴列から任意の複数の点を選択し、選択した複数の点からなる点列と前記第1のデータベース内の各時系列データまたは前記第2のデータベース内の各ピーク特徴列との距離を計算し、距離がもっとも近い上位k(kは1以上の整数)個の時系列データまたはピーク特徴列の各分類ラベルに基づき計算される分類精度が前記所望の精度を満たすとき、前記複数の点からなる点列を前記重要ピーク特徴列として採択することを特徴とする請求項10ないし14に記載の時系列データ分類装置。
- 前記ピーク選定部は、前記選択した複数の点からなる点列との距離を計算するべき時系列データまたはピーク特徴列を、乱数を用いて前記第1または第2のデータベースから所定数選択することを特徴とする請求項15に記載の時系列データ分類装置。
- 前記第1のデータベースに基づき得られる分類器に与えたときに、正解の分類ラベルが所望の精度で得られる時系列データを含む事例を前記第1のデータベースから選定する事例選定部と、
前記事例選定部によって選定された事例を格納する第4のデータベースと、をさらに備え、
前記ピーク特徴部は、前記第4のデータベースに含まれる各事例の時系列データから前記ピーク特徴列を生成する、ことを特徴とする請求項1ないし16のいずれか一項に記載の時系列データ分類装置。 - 前記第1のデータベース内の各時系列データに含まれるノイズを除去するノイズ除去部をさらに備えたことを特徴とする請求項1ないし17のいずれか一項に記載の時系列データ分類装置。
- 前記予測部により予測された分類ラベルを表示する表示部をさらに備えたことを特徴とする請求項1ないし18のいずれか一項に記載の時系列データ分類装置。
- 観測対象から観測された観測値を時系列に記録した時系列データと、前記時系列データが得られたときの前記観測対象の状態または種別を表す分類ラベルとを含む事例を複数格納した第1のデータベースと、
各前記時系列データを時間軸および前記観測値を表す軸により構成される座標系に展開し、展開された時系列データに交差する基準線を時間軸に沿って設定し、前記展開された時系列データと前記基準線との交点を検出し、隣接する交点により形成される各区間から前記展開された時系列データのピーク点を検出して、検出したピーク点の集合を含むピーク特徴列を生成するピーク特徴抽出部と、
前記ピーク特徴抽出部によって生成された各前記ピーク特徴列を、各前記ピーク特徴列を生成するもととなった時系列データの分類ラベルと関連づけて格納する第2のデータベースと、
を備えた時系列データ処理装置。 - 前記ピーク特徴列が生成された時系列データを含む事例を前記第1のデータベースから消去する時系列データ消去手段をさらに備えたことを特徴とする請求項20に記載の辞意系列データ処理装置。
- 前記第1のデータベースまたは前記第2のデータベースに基づき得られる分類器に与えたときに、正解の分類ラベルが所望の精度で得られるピーク点の集合を含む重要ピーク特徴列を、各前記ピーク特徴列の各々から複数のピーク点を選択することにより生成するピーク選定部と、
前記ピーク選定部によって生成された各重要ピーク特徴列を、前記重要ピーク特徴列を生成するもととなったピーク特徴列の分類ラベルと対応づけて格納する第3のデータベースと、
をさらに備えたことを特徴とする請求項20または21に記載の時系列データ処理装置。 - 前記ピーク選定部は、前記各重要ピーク特徴列の分類精度を計算し、
前記第3のデータベースは、前記分類精度があらかじめ与えられた足切り基準を満たす重要ピーク特徴列のみ格納することを特徴とする請求項22に記載の時系列データ処理装置。 - 前記ピーク選定部は、前記ピーク特徴列から任意の複数の点を選択し、選択した複数の点からなる点列と前記第1のデータベース内の各時系列データまたは前記第2のデータベース内の各ピーク特徴列との距離を計算し、距離がもっとも近い上位k(kは1以上の整数)個の時系列データまたはピーク特徴列の分類ラベルに基づき計算される分類精度が前記所望の精度が得られるとき、前記複数の点からなる点列を前記重要ピーク特徴列として採択するものであり、
前記選択した複数の点からなる点列との距離を計算するべき時系列データまたはピーク特徴列を、乱数を用いて前記第1または第2のデータベースから所定数選択することを特徴とする請求項21ないし23のいずれか一項に記載の時系列データ処理装置。 - 観測対象から観測された観測値を時系列に記録した時系列データと、前記時系列データが得られたときの前記観測対象の状態または種別を表す分類ラベルとを含む事例を複数格納した第1のデータベースを用意し、
各前記時系列データを時間軸および前記観測値を表す軸により構成される座標系に展開し、展開された時系列データに交差する基準線を時間軸に沿って設定し、隣接する交点により形成される各区間から前記展開された時系列データのピーク点を検出して、検出したピーク点の集合を含むピーク特徴列を生成し、
前記ピーク特徴抽出部によって生成された各前記ピーク特徴列を、各前記ピーク特徴列を生成するもととなった時系列データの分類ラベルと関連づけて第2のデータベースに格納し、
分類ラベルを予測するべき時系列データを入力し、
入力された時系列データに付与すべき分類ラベルを前記第2のデータベースに基づき予測する、
時系列データ分類方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007161399A JP4686505B2 (ja) | 2007-06-19 | 2007-06-19 | 時系列データ分類装置、時系列データ分類方法および時系列データ処理装置 |
US12/142,070 US20080319951A1 (en) | 2007-06-19 | 2008-06-19 | Apparatus and method for classifying time-series data and time-series data processing apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007161399A JP4686505B2 (ja) | 2007-06-19 | 2007-06-19 | 時系列データ分類装置、時系列データ分類方法および時系列データ処理装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2009003534A true JP2009003534A (ja) | 2009-01-08 |
JP4686505B2 JP4686505B2 (ja) | 2011-05-25 |
Family
ID=40137550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2007161399A Expired - Fee Related JP4686505B2 (ja) | 2007-06-19 | 2007-06-19 | 時系列データ分類装置、時系列データ分類方法および時系列データ処理装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20080319951A1 (ja) |
JP (1) | JP4686505B2 (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011138191A (ja) * | 2009-12-25 | 2011-07-14 | Honda Motor Co Ltd | 相関分析システム |
CN104750837A (zh) * | 2015-04-03 | 2015-07-01 | 北京工商大学 | 增长型时间序列数据的可视化方法和*** |
JP2018530804A (ja) * | 2015-07-16 | 2018-10-18 | ブラスト モーション インコーポレイテッドBlast Motion Inc. | 多センサ事象検出およびタグづけシステム |
JP2022048774A (ja) * | 2020-09-15 | 2022-03-28 | 株式会社東芝 | 情報処理装置、情報処理方法、およびプログラム |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4670885B2 (ja) * | 2008-03-28 | 2011-04-13 | ブラザー工業株式会社 | 時系列データ管理装置及びプログラム |
US8730242B2 (en) | 2010-05-17 | 2014-05-20 | Hewlett-Packard Development Company, L.P. | Performing time slice-based visual prediction |
US8868345B2 (en) * | 2011-06-30 | 2014-10-21 | General Electric Company | Meteorological modeling along an aircraft trajectory |
US20130030759A1 (en) * | 2011-07-26 | 2013-01-31 | Hao Ming C | Smoothing a time series data set while preserving peak and/or trough data points |
US9355357B2 (en) | 2011-10-21 | 2016-05-31 | Hewlett Packard Enterprise Development Lp | Computing predicted data according to weighted peak preservation and time distance biasing |
CN103020643B (zh) * | 2012-11-30 | 2015-05-13 | 武汉大学 | 基于提取核特征早期预测多变量时间序列类别的分类方法 |
EP2916260A1 (en) * | 2014-03-06 | 2015-09-09 | Tata Consultancy Services Limited | Time series analytics |
JP5984153B2 (ja) * | 2014-09-22 | 2016-09-06 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | 情報処理装置、プログラム、及び情報処理方法 |
US10643138B2 (en) | 2015-01-30 | 2020-05-05 | Micro Focus Llc | Performance testing based on variable length segmentation and clustering of time series data |
CN104809226B (zh) * | 2015-05-07 | 2018-01-12 | 武汉大学 | 一种早期分类不平衡多变量时间序列数据的方法 |
WO2016183552A1 (en) | 2015-05-14 | 2016-11-17 | Walleye Software, LLC | A memory-efficient computer system for dynamic updating of join processing |
US10373070B2 (en) * | 2015-10-14 | 2019-08-06 | International Business Machines Corporation | Anomaly detection model selection and validity for time series data |
US10605842B2 (en) | 2016-06-21 | 2020-03-31 | International Business Machines Corporation | Noise spectrum analysis for electronic device |
CN107644047B (zh) * | 2016-07-22 | 2021-01-15 | 华为技术有限公司 | 标签预测生成方法及装置 |
US10915558B2 (en) * | 2017-01-25 | 2021-02-09 | General Electric Company | Anomaly classifier |
US10482382B2 (en) | 2017-05-09 | 2019-11-19 | Palantir Technologies Inc. | Systems and methods for reducing manufacturing failure rates |
US10002154B1 (en) | 2017-08-24 | 2018-06-19 | Illumon Llc | Computer data system data source having an update propagation graph with feedback cyclicality |
CN109508594B (zh) * | 2017-09-15 | 2021-01-01 | 中国石油天然气股份有限公司 | 图形特征提取方法及装置 |
JP6950744B2 (ja) * | 2017-10-26 | 2021-10-13 | 日本電気株式会社 | トラヒック分析装置、システム、方法及びプログラム |
US11720814B2 (en) * | 2017-12-29 | 2023-08-08 | Samsung Electronics Co., Ltd. | Method and system for classifying time-series data |
WO2020121409A1 (ja) * | 2018-12-11 | 2020-06-18 | 株式会社ファーストスクリーニング | サーバ及び情報処理方法 |
US11294921B2 (en) * | 2019-03-12 | 2022-04-05 | General Electric Company | Multivariate time-series data search |
US11455322B2 (en) * | 2020-05-12 | 2022-09-27 | International Business Machines Corporation | Classification of time series data |
CN112256791A (zh) * | 2020-10-27 | 2021-01-22 | 北京微步在线科技有限公司 | 一种网络攻击事件的展示方法及存储介质 |
CN118094338A (zh) * | 2024-03-28 | 2024-05-28 | 东海实验室 | 一种适应性混合多元时间序列数据预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0696052A (ja) * | 1992-09-14 | 1994-04-08 | Toshiba Corp | 時系列データ分類・予測装置 |
JP2005512172A (ja) * | 2001-09-28 | 2005-04-28 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 顔画像の時系列からの顔認識 |
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 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5245587A (en) * | 1990-12-14 | 1993-09-14 | Hutson William H | Multi-dimensional signal processing and display |
US7065416B2 (en) * | 2001-08-29 | 2006-06-20 | Microsoft Corporation | System and methods for providing automatic classification of media entities according to melodic movement properties |
GB2414369B (en) * | 2004-05-21 | 2007-08-01 | Hewlett Packard Development Co | Processing audio data |
US20180146879A9 (en) * | 2004-08-30 | 2018-05-31 | Kalford C. Fadem | Biopotential Waveform Data Fusion Analysis and Classification Method |
US7076402B2 (en) * | 2004-09-28 | 2006-07-11 | General Electric Company | Critical aperture convergence filtering and systems and methods thereof |
-
2007
- 2007-06-19 JP JP2007161399A patent/JP4686505B2/ja not_active Expired - Fee Related
-
2008
- 2008-06-19 US US12/142,070 patent/US20080319951A1/en not_active Abandoned
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0696052A (ja) * | 1992-09-14 | 1994-04-08 | Toshiba Corp | 時系列データ分類・予測装置 |
JP2005512172A (ja) * | 2001-09-28 | 2005-04-28 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 顔画像の時系列からの顔認識 |
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 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011138191A (ja) * | 2009-12-25 | 2011-07-14 | Honda Motor Co Ltd | 相関分析システム |
CN104750837A (zh) * | 2015-04-03 | 2015-07-01 | 北京工商大学 | 增长型时间序列数据的可视化方法和*** |
CN104750837B (zh) * | 2015-04-03 | 2019-07-16 | 北京工商大学 | 增长型时间序列数据的可视化方法和*** |
JP2018530804A (ja) * | 2015-07-16 | 2018-10-18 | ブラスト モーション インコーポレイテッドBlast Motion Inc. | 多センサ事象検出およびタグづけシステム |
JP7005482B2 (ja) | 2015-07-16 | 2022-01-21 | ブラスト モーション インコーポレイテッド | 多センサ事象相関システム |
JP2022048774A (ja) * | 2020-09-15 | 2022-03-28 | 株式会社東芝 | 情報処理装置、情報処理方法、およびプログラム |
JP7414678B2 (ja) | 2020-09-15 | 2024-01-16 | 株式会社東芝 | 情報処理装置、情報処理方法、およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP4686505B2 (ja) | 2011-05-25 |
US20080319951A1 (en) | 2008-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4686505B2 (ja) | 時系列データ分類装置、時系列データ分類方法および時系列データ処理装置 | |
Mishra et al. | Local interpretable model-agnostic explanations for music content analysis. | |
Povinelli et al. | A new temporal pattern identification method for characterization and prediction of complex time series events | |
CN111611847B (zh) | 基于尺度注意力空洞卷积网络的视频动作检测方法 | |
Chan et al. | Modeling multiple time series for anomaly detection | |
JP4308785B2 (ja) | デジタルインク質疑検索装置及びその方法 | |
KR100737176B1 (ko) | 신호 처리 방법 및 영상 음성 처리 장치 | |
JP5141767B2 (ja) | サンプルの帰属クラス予測方法、帰属クラス予測プログラムおよび帰属クラス予測装置 | |
TWI533145B (zh) | 控制方法、控制程式及控制裝置 | |
JP2000235585A (ja) | トピックに基づくテキストと音声とのクロスインデックスの方法及びシステム | |
Wang et al. | Supervised chorus detection for popular music using convolutional neural network and multi-task learning | |
Kota et al. | Automated detection of handwritten whiteboard content in lecture videos for summarization | |
CN115169403A (zh) | 用于识别机械设备作业模式的方法及装置 | |
EP3336746A1 (en) | System and method of video content filtering | |
JP4939349B2 (ja) | トレンド検出方法、トレンド検出プログラムおよびトレンド検出装置 | |
CN112989105B (zh) | 一种音乐结构的分析方法及*** | |
CN111428589B (zh) | 一种渐变转场的识别方法及*** | |
Narimatsu et al. | Duration and interval hidden Markov model for sequential data analysis | |
JP2009157770A (ja) | 行動判定装置、行動判定方法および行動判定プログラム | |
Bhuyan et al. | Finite state representation of hand gesture using key video object plane | |
Thanh et al. | Automatic extraction of semantic action features | |
JP3623394B2 (ja) | 手話認識装置および該装置を実現させるためのプログラムを記録した記録媒体 | |
Feng et al. | Time Series Segmentation of Flood Flow Based on Bi-LG-LSTM Neural Network | |
CN117633328B (zh) | 基于数据挖掘的新媒体内容监测方法及*** | |
JP4398907B2 (ja) | 特徴系列パターン発見装置及び特徴系列パターン発見装置の作動方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20100528 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20100928 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20101019 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20101026 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20101224 |
|
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: 20110118 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20110214 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140218 Year of fee payment: 3 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 4686505 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140218 Year of fee payment: 3 |
|
LAPS | Cancellation because of no payment of annual fees |