JPWO2020166072A1 - 時系列データ処理方法 - Google Patents

時系列データ処理方法 Download PDF

Info

Publication number
JPWO2020166072A1
JPWO2020166072A1 JP2020572047A JP2020572047A JPWO2020166072A1 JP WO2020166072 A1 JPWO2020166072 A1 JP WO2020166072A1 JP 2020572047 A JP2020572047 A JP 2020572047A JP 2020572047 A JP2020572047 A JP 2020572047A JP WO2020166072 A1 JPWO2020166072 A1 JP WO2020166072A1
Authority
JP
Japan
Prior art keywords
time
series data
correlation
data
partial
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
Application number
JP2020572047A
Other languages
English (en)
Other versions
JP7218765B2 (ja
Inventor
毅彦 溝口
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.)
NEC Corp
Original Assignee
NEC Corp
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 NEC Corp filed Critical NEC Corp
Publication of JPWO2020166072A1 publication Critical patent/JPWO2020166072A1/ja
Application granted granted Critical
Publication of JP7218765B2 publication Critical patent/JP7218765B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/2163—Partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/16—Classification; Matching by matching signal segments

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本発明の情報処理装置１００は、複数の要素の時系列データの集合である時系列データセットを所定の時間毎に区切った部分時系列データセットを抽出して、部分時系列データセットに含まれる時系列データの要素間の相関関係を表す相関データを算出する分析部１２１と、部分時系列データセットの時系列データ及び相関データに基づく符号化データを生成する符号化部１２２と、を備える。

Description

本発明は、時系列データ処理方法、時系列データ処理装置、プログラムに関する。
製造工場や処理施設などのプラントでは、各種センサからの観測値である時系列データを分析し、異常状態が発生したことを検出して出力することが行われている。例えば、特許文献１では、複数の時系列データの相関関係を表すモデルを生成しておき、新たに観測した時系列データが、モデルによって表された相関関係を維持しているか否かを求め、これにより異常状態を検出する、ことが記載されている。
また、特許文献２では、システムの複数の性能値から、システムに生じた障害を特定することが記載されている。具体的には、まず、システムの複数の性能値の相関関係のうち、障害が発生したときに相関破壊が検出された相関関係の情報を記憶しておく。そして、かかる相関破壊の相関関係と、入力された時系列データの相関破壊が検出された相関関係と、の共通度を算出することで、障害を特定している。
国際公開２０１６／０３５３３８号公報
しかしながら、上述した方法では、より高速かつ正確に監視対象の状態を特定することができない、という問題が生じる。例えば、特許文献２では、障害が発生した相関破壊の相関関係の情報を記憶しているが、性能値の時系列の振る舞いは考慮されておらず、より正確に状態を特定することができない。つまり、監視対象の状態が異なっていても、相関破壊のパターンが類似するような場合には、異なる状態を正確に区別して特定することができない。また、システムなどの監視対象の構成が複雑である場合には、計測するデータの数が膨大となり、これに伴い相関破壊を特定する情報も膨大となる。すると、計測したデータに対応する相関破壊のパターンを検索することに時間がかかる。
このため、本発明の目的は、上述した課題である、高速かつ正確に監視対象の状態を特定することができない、ことを解決することにある。
本発明の一形態である時系列データ処理方法は、
複数の要素の時系列データの集合である時系列データセットを所定の時間毎に区切った部分時系列データセットを抽出し、
前記部分時系列データセットに含まれる前記時系列データの要素間の相関関係を表す相関データを算出し、
前記部分時系列データセットの前記時系列データ及び前記相関データに基づく符号化データを生成する、
という構成をとる。
また、本発明の一形態である時系列データ処理方法は、
複数の要素の時系列データの集合である時系列データセットを所定の時間毎に区切った部分時系列データセットを複数抽出し、
複数の前記部分時系列データセットのそれぞれから、当該部分時系列データセットに含まれる前記時系列データの要素間の相関関係を表す相関データを算出し、
異なる前記部分時系列データセット間における前記時系列データ及び前記相関データの差異に応じて、前記部分時系列データセットの前記時系列データ及び前記相関データに基づく符号化データを生成するよう学習したモデルを生成する、
という構成をとる。
また、本発明の一形態である時系列データ処理方法は、
複数の要素の時系列データの集合である時系列データセットを所定の時間毎に区切った部分時系列データセットの前記時系列データ、及び、当該時系列データの要素間の相関関係を表す相関データ、の入力を受け付けて、前記時系列データ及び前記相関データに基づく情報を記憶部に記憶し、
新たに入力された前記時系列データセットにおける前記部分時系列データセットの前記時系列データ及び前記相関データに対応する情報を、前記記憶部から検索し、
検索結果を出力する、
という構成をとる。
また、本発明の一形態であるプログラムは、
複数の要素の時系列データの集合である時系列データセットを所定の時間毎に区切った部分時系列データセットを抽出し、
前記部分時系列データセットに含まれる前記時系列データの要素間の相関関係を表す相関データを算出し、
前記部分時系列データセットの前記時系列データ及び前記相関データに基づく符号化データを生成する、
処理を情報処理装置に実行させる、
という構成をとる。
また、本発明の一形態であるプログラムは、
複数の要素の時系列データの集合である時系列データセットを所定の時間毎に区切った部分時系列データセットを複数抽出し、
複数の前記部分時系列データセットのそれぞれから、当該部分時系列データセットに含まれる前記時系列データの要素間の相関関係を表す相関データを算出し、
異なる前記部分時系列データセット間における前記時系列データ及び前記相関データの差異に応じて、前記部分時系列データセットの前記時系列データ及び前記相関データに基づく符号化データを生成するよう学習したモデルを生成する、
処理を情報処理装置に実行させる、
という構成をとる。
また、本発明の一形態であるプログラムは、
複数の要素の時系列データの集合である時系列データセットを所定の時間毎に区切った部分時系列データセットの前記時系列データ、及び、当該時系列データの要素間の相関関係を表す相関データ、の入力を受け付けて、前記時系列データ及び前記相関データに基づく情報を記憶部に記憶し、
新たに入力された前記時系列データセットにおける前記部分時系列データセットの前記時系列データ及び前記相関データに対応する情報を、前記記憶部から検索し、
検索結果を出力する、
処理を情報処理装置に実行させる、
という構成をとる。
また、本発明の一形態である時系列データ処理装置は、
複数の要素の時系列データの集合である時系列データセットを所定の時間毎に区切った部分時系列データセットを抽出して、前記部分時系列データセットに含まれる前記時系列データの要素間の相関関係を表す相関データを算出する分析部と、
前記部分時系列データセットの前記時系列データ及び前記相関データに基づく符号化データを生成する符号化部と、
を備えた、
という構成をとる。
また、本発明の一形態である時系列データ処理装置は、
複数の要素の時系列データの集合である時系列データセットを所定の時間毎に区切った部分時系列データセットを複数抽出し、複数の前記部分時系列データセットのそれぞれから、当該部分時系列データセットに含まれる前記時系列データの要素間の相関関係を表す相関データを算出する分析部と、
異なる前記部分時系列データセット間における前記時系列データ及び前記相関データの差異に応じて、前記部分時系列データセットの前記時系列データ及び前記相関データに基づく符号化データを生成するよう学習したモデルを生成する学習部と、
を備えた、
という構成をとる。
また、本発明の一形態である時系列データ処理装置は、
複数の要素の時系列データの集合である時系列データセットを所定の時間毎に区切った部分時系列データセットの前記時系列データ、及び、当該時系列データの要素間の相関関係を表す相関データ、の入力を受け付けて、前記時系列データ及び前記相関データに基づく情報を記憶部に記憶する入力部と、
新たに入力された前記時系列データセットにおける前記部分時系列データセットの前記時系列データ及び前記相関データに対応する情報を、前記記憶部から検索し、検索結果を出力する検索部と、
を備えた、
という構成をとる。
本発明は、以上のように構成されることにより、高速かつ正確に監視対象の状態を特定することができる。
本発明の実施形態１における時系列データ処理装置の構成を示すブロック図である。 図１に開示した学習部の構成を示すブロック図である。 図１に開示した分析部の構成を示すブロック図である。 図１に開示した時系列データ処理装置による時系列データの処理の様子を示す図である。 図１に開示した時系列データ処理装置による時系列データの処理の様子を示す図である。 図１に開示した時系列データ処理装置による時系列データの処理の様子を示す図である。 図１に開示した時系列データ処理装置による時系列データの処理の様子を示す図である。 図１に開示した時系列データ処理装置による時系列データの処理の様子を示す図である。 図１に開示した時系列データ処理装置の動作を示すフローチャートである。 図１に開示した時系列データ処理装置の動作を示すフローチャートである。 図１に開示した時系列データ処理装置の動作を示すフローチャートである。 図１に開示した時系列データ処理装置の動作を示すフローチャートである。 本発明の実施形態２における時系列データ処理装置のハードウェア構成を示すブロック図である。 本発明の実施形態２における時系列データ処理装置の構成を示すブロック図である。 本発明の実施形態２における時系列データ処理装置の動作を示すフローチャートである。 本発明の実施形態２における時系列データ処理装置の構成を示すブロック図である。 本発明の実施形態２における時系列データ処理装置の動作を示すフローチャートである。 本発明の実施形態２における時系列データ処理装置の構成を示すブロック図である。 本発明の実施形態２における時系列データ処理装置の動作を示すフローチャートである。
＜実施形態１＞
本発明の第１の実施形態を、図１乃至図１２を参照して説明する。図１乃至図３は、時系列データ処理装置の構成を説明するための図であり、図４乃至図１２は、時系列データ処理装置の処理動作を説明するための図である。
［構成］
本発明における時系列データ処理装置１０は、プラントなどの監視対象Ｐ（対象）に接続されている。そして、時系列データ処理装置１０は、監視対象Ｐの各要素の計測値を取得して分析し、分析結果に基づいて監視対象Ｐの状態を監視するために利用される。例えば、監視対象Ｐは、製造工場や処理施設などのプラントであり、各要素の計測値は、プラント内の温度、圧力、流量、消費電力値、原料の供給量、残量など、複数種類の情報からなる。そして、監視する監視対象Ｐの状態は、本実施形態では、監視対象Ｐの異常状態であることとし、時系列データ処理装置１０は、いかなる異常状態であるかを特定するよう構成されている。
但し、本発明における監視対象Ｐは、プラントであることに限定されず、情報処理システムなどの設備といったいかなるものであってもよい。例えば、監視対象Ｐが情報処理システムである場合には、情報処理システムを構成する各情報処理装置のＣＰＵ（Central Processing Unit）使用率、メモリ使用率、ディスクアクセス頻度、入出力パケット数、消費電力値などを、各要素の計測値として計測し、かかる計測値を分析して情報処理システムの状態を監視して、異常状態を特定してもよい。
上記時系列データ処理装置１０は、演算装置と記憶装置とを備えた１台又は複数台の情報処理装置にて構成される。そして、時系列データ処理装置１０は、図１に示すように、演算装置がプログラムを実行することで構築された、計測部１１、学習部１２、分析部１３、符号化部１４、検索部１５、を備える。また、時系列データ処理装置１０は、記憶装置に形成された、計測データ記憶部１６、モデル記憶部１７、符号化データ記憶部１８、を備える。以下、各構成について詳述する。
上記計測部１１は、監視対象Ｐに設置された各種センサにて計測された各要素の計測値を所定の時間間隔で時系列データとして取得して、計測データ記憶部１６に記憶する。このとき、計測する要素は複数種類あるため、計測部１１は、図４の符号Ｄに示すような複数の要素の時系列データの集合である時系列データセットを取得する。なお、計測部１１による時系列データセットの取得及び記憶は常時行われており、取得された時系列データセットは、後述するように、監視対象Ｐの正常状態を表す相関モデルを生成するとき、監視対象Ｐの異常状態における符号化データを生成するための相関破壊モデルを生成するとき、監視対象Ｐの異常状態における符号化データを生成するとき、監視対象Ｐの状態を監視するとき、にそれぞれ使用される。
上記学習部１２は、監視対象Ｐから計測された時系列データセットを入力して、各種モデルを生成する。ここで、学習部１２は、図２に示すように、相関モデル学習部２１、相関破壊モデル学習部２２、を備えており、以下に説明するように、監視対象Ｐの正常状態を表す相関モデルを生成する処理と、監視対象Ｐの異常状態における符号化データを生成するための相関破壊モデルを生成する処理と、をそれぞれ行う。
上記相関モデル学習部２１は、図４に示すように、監視対象Ｐが正常状態であると判断されたときに計測された時系列データセットＤである学習用のデータを、計測データ記憶部１５から入力して学習し、相関モデルＭを生成する。例えば、相関モデルＭは、図４に示すように、複数要素（例えば、Ａ，Ｂ，Ｃ，Ｄ）のうち、任意の２要素の計測値の相関関係を表す相関関数（例えば、ｆ（Ａ，Ｂ）など）を含む。相関関数は、任意の２要素のうちの一方の要素の入力値に対して他方の要素の出力値を予測する関数である。このとき、相関モデルに含まれる各要素間の相関関数には、それぞれ重みが設定される。相関モデル学習部２１は、上述したような複数の要素間の相関関数の集合を相関モデルＭとして生成し、モデル記憶部１７に記憶する。
上記相関破壊モデル学習部２２は、監視対象Ｐが異常状態であると判断されたときに計測された時系列データセットと、異常状態の内容と、に基づいて学習し、これらに基づく特徴量となる符号化データを生成するためのモデルである相関破壊モデルを生成する。なお、相関破壊モデル学習部２２については後に詳述する。
上記分析部１３は、上述した相関モデルを生成した後に計測された時系列データセットを取得して、当該時系列データセットの分析を行う。ここで、分析部１３は、図３に示すように、区間抽出部３１、相関破壊検出部３２、を備えている。
上記区間抽出部３１は、監視対象Ｐから計測された時系列データセットを入力して、当該時系列データセットを所定の時間毎に区切った区間からなる部分時系列データセットを抽出する。例えば、区間抽出部３１は、図５に示すように、計測された時系列データセットＤ１から、符号Ｗ１，Ｗ２，Ｗ３に示すように同一時間毎に区切った部分時系列データセットを抽出する。なお、部分時系列データセットＷ１，Ｗ２，Ｗ３は、必ずしも時系列にそって連続して区切られた区間に設定されることに限定されず、区間毎の間隔が空いていてもよく、各区間が重なっていてもよい。
上記相関破壊検出部３２は、上述したように抽出した各部分時系列データセットＷ１，Ｗ２，Ｗ３と、モデル記憶部１７に記憶されている相関モデルＭと、を比較して、各部分時系列データセットＷ１，Ｗ２，Ｗ３に相関破壊が生じているか否かを調べる。つまり、相関破壊検出部３２は、各部分時系列データセットについて、それぞれ時系列データの要素間の相関関係を表す相関データを算出して、相関モデルＭと比較し、当該相関モデルＭとの差異に基づいて相関破壊が生じているか否かを調べる。具体的に、相関データ算出部３２は、例えば、相関モデルＭに含まれる所定の２要素間の相関関数に、計測された一方の要素の入力値を入力して他方の要素の出力値を予測し、かかる予測値と実際の計測値との差分を調べる。このとき、差分が所定以上の場合、かかる２要素間の相関関係が崩壊、つまり、相関破壊として検出する。このとき、相関データ算出部３２は、複数の要素間の相関関数の差分や相関破壊の状況を調べ、差分の大きさやその相関関数の重み、相関破壊の数などを総合的に考慮して、部分時系列データセットＷ１，Ｗ２，Ｗ３毎に相関破壊が生じているかを判断してもよい。
なお、上述した相関破壊検出部３２により、各部分時系列データセットＷ１，Ｗ２，Ｗ３の時系列データから、それぞれ相関データＰ１，Ｐ２，Ｐ３を生成したときの一例を図５に示す。この図に示す相関データＰ１，Ｐ２，Ｐ３においては、点線矢印で示す要素間の相関関係が破壊していることを示しており、部分時系列データセットＷ１，Ｗ２において相関データＰ１，Ｐ２の相関破壊が生じていることとなる。そして、相関破壊検出部３２は、相関破壊が生じていると判断した部分時系列データセットとその相関データを、学習部１２の相関破壊モデル学習部２２や符号化部１４に渡す。具体的には、監視対象Ｐの異常状態における符号化データを生成するための相関破壊モデルを生成するときには、学習部１２の相関破壊モデル学習部２２に渡し、監視対象Ｐの異常状態における符号化データを生成するときと監視対象Ｐの状態を監視するときには、符号化部１４に渡す。
ここで、上述した相関破壊モデル学習部２２の説明に戻る。相関破壊モデル学習部２２は、相関破壊検出部３２から受け取った部分時系列データセットと、その相関データと、に基づいて、相関破壊モデルを生成する。具体的に、相関破壊モデル学習部２２は、まず、図６に示すように、異なる２つの区間からなる部分時系列データセットＷ１，Ｗ２を用いて、当該部分時系列データセットＷ１，Ｗ２に含まれる時系列データ同士の距離（差異）と、それぞれの相関データＰ１，Ｐ２同士の距離（差異）と、を算出する。例えば、相関破壊モデル学習部２２は、まず、時系列データと相関データとをそれぞれ二値ベクトルといった符号化データに変換する。このとき、時系列データや相関データを実数ベクトルに変換し、さらにその実数ベクトルを二値ベクトルに変換する。なお、実数ベクトルとは、各次元の値が実数を取るベクトルである。そして、相関破壊モデル学習部２２は、それぞれの二値ベクトル間のユークリッド距離を算出することで、時系列データ同士の距離と、相関データ同士の距離と、を算出する。この場合、距離は、２つの二値ベクトルが似ていれば小さな値となり、似ていなければ大きな値となるよう算出される。但し、相関破壊モデル学習部２２は、ユークリッド距離に限らず、他の方法で、部分時系列データセットＷ１，Ｗ２に含まれる時系列データ同士の差異と、それぞれの相関データＰ１，Ｐ２同士の差異と、を算出してもよい。
続いて、相関破壊モデル学習部２２は、部分時系列データＷ１，Ｗ２、相関データＰ１，Ｐ２、及び、これらの距離、を用いて学習し、相関破壊モデルを生成する。ここで生成する相関破壊モデルとは、部分時系列データと相関データとを入力とし、これらの特徴を表す符号化データを生成するための基準となるモデルである。特に、相関破壊モデル学習部２２は、部分時系列データ及び相関データの距離が近いほど、つまり、部分時系列データ及び相関データの差異が小さいほど、類似した符号化データを生成するモデルを生成する。このため、相関破壊モデルは、同一のイベントによって計測された時系列データ及び相関データから、同一の符号化データを生成しうるモデルとなる。なお、相関破壊モデル学習部２２は、相関破壊が生じた２つの部分時系列データセットとそれらの相関データの組を、数多く入力して学習することで、部分時系列データと相関データとの特徴を表す符号化データを生成するための相関破壊モデルを生成する。ここで、図６の例では、相関破壊モデル学習部２２は、時系列に沿って連続する部分時系列データセットＷ１，Ｗ２の組を用いて学習しているが、区間毎の間隔が空いているなど、いかなる部分時系列データセットの組であってもよい。
上記符号化部１４は、相関破壊検出部３２から受け取った部分時系列データセットと、その相関データと、を入力し、相関破壊モデルを用いて、部分時系列データセット及び相関データの特徴を表す符号化データを生成する。つまり、符号化部１４は、入力された部分時系列データセットと相関データとに基づく情報である符号化データを生成する。具体的に、符号化部１４は、まず、上述したように相関破壊モデルを生成した後であって、監視対象Ｐの異常状態における符号化データを生成する状況において計測され、相関破壊検出部３２から受け取った１つの区間からなる部分時系列データセットＷ１０及びその相関データＰ１０を入力する。そして、符号化部１４は、図７に示すように、部分時系列データセットＷ１０及びその相関データＰ１０から、相関破壊モデルを用いて、二値ベクトルからなる符号化データＢ１を生成する。符号化部１４は、生成した符号化データＢ１を符号化データ記憶部３２に記憶する。このとき、符号化部１４は、生成した符号化データＢ１に、当該符号化データＢ１の生成元となる時系列データセットを計測したときに生じていたイベントの情報を関連付けて、符号化データ記憶部３２に記憶する。例えば、イベントの情報は、「保守」などの実際に行われた内容を表す情報や、イベントの担当者名、イベントの日時などの情報である。符号化部１４は、異なる日時や状況における数多くの部分時系列データセットＷ１０に対して符号化データＢ１の生成を行うことで、あらゆる異常状態の部分時系列データセット及び相関データの特徴を表す符号化データＢ１を蓄積することができる。
また、符号化部１４は、上述したように監視対象Ｐの異常状態における符号化データを蓄積した後であって、監視対象Ｐの状態を監視する状況において計測され、相関破壊検出部３２から受け取った１つの区間からなる部分時系列データセットＷ１０及びその相関データＰ１０に対しても、図８に示すように、上述同様に符号化データＢ２を生成する。そして、かかる符号化データＢ２を検索部１５に渡す。
上記検索部１５は、図８に示すように、監視対象Ｐの状態を監視する状況において、符号化部１４から渡された新たに生成された符号化データＢ２と同一のデータを、符号化データ記憶部１８内から検索する。つまり、検索部１５は、新たに入力された部分時系列データセットと相関データとに基づく情報である符号化データと同一のデータを、符号化データ記憶部１８内から検索する。そして、検索部１５は、検索の結果、新たに生成された符号化データＢ２と同一の符号化データが符号化データ記憶部１８内に存在した場合には、当該符号化データ記憶部１８内に記憶された符号化データに関連付けられているイベント情報を読み出し、かかるイベント情報を監視者に対して出力する。つまり、検索部１５は、読み出したイベント情報に対応するイベントを、新たに生成された符号化データＢ２の生成元となる時系列データが計測されたときに生じているイベントとして特定する。なお、検索部１５は、新たに生成された符号化データＢ２に対して、完全に一致している符号化データに限らず、予め設定された基準により許容される差異がある符号化データであっても、一致していると判断してもよい。
［動作］
次に、上述した時系列データ処理装置１０の動作を、主に図９乃至図１２のフローチャートを参照して説明する。まず、図９のフローチャートを参照して、監視対象Ｐが正常状態である場合における、各要素間の相関関係を表す相関モデルを生成するときの動作を説明する。
時系列データ処理装置１０は、図４に示すように、監視対象Ｐが正常状態であると判断されたときに計測された時系列データセットである学習用のデータＤを、計測データ記憶部１５から読み出して入力する（ステップＳ１）。そして、時系列データ処理装置１０は、入力した時系列データから、各要素間の相関関係を学習し（ステップＳ２）、当該各要素間の相関関係を表す相関モデルＭを生成する（ステップＳ３）。
次に、図１０のフローチャートを参照して、監視対象Ｐの異常状態における符号化データを生成するための相関破壊モデルを生成する処理について説明する。まず、時系列データ処理装置１０は、新たに監視対象Ｐから計測された時系列データセットＤ１を入力し、図５に示すように、当該時系列データセットＤ１を所定の時間毎に区切った区間からなる部分時系列データセットＷ１，Ｗ２，Ｗ３を抽出する（ステップＳ１１）。そして、時系列データ処理装置１０は、各部分時系列データセットＷ１，Ｗ２，Ｗ３についてそれぞれ、時系列データの要素間の相関関係を表す相関データＰ１，Ｐ２，Ｐ３を算出して、相関モデルＭと比較し、当該相関モデルＭとの差異に基づいて相関破壊が生じているか否かを調べる（ステップＳ１２）。
続いて、時系列データ処理装置１０は、図６に示すように、相関破壊が生じている２つの部分時系列データセットＷ１，Ｗ２の組を用いて、当該部分時系列データセットＷ１，Ｗ２に含まれる時系列データ同士の距離（差異）と、それぞれの相関データＰ１，Ｐ２同士の距離（差異）と、を算出する。そして、時系列データ処理装置１０は、部分時系列データＷ１，Ｗ２、相関データＰ１，Ｐ２、及び、これらの距離、からなるデータを複数用いて学習し（ステップＳ１３）、相関破壊モデルを生成する（ステップＳ１４）。このとき、時系列データ処理装置１０は、部分時系列データ及び相関データの距離が近いほど、つまり、部分時系列データ及び相関データの差異が小さいほど、類似した符号化データを生成するよう学習した相関破壊モデルを生成する。そして、時系列データ処理装置１０は、生成した相関破壊モデルをモデル記憶部１７に記憶する（ステップＳ１５）。
次に、図１１のフローチャートを参照して、監視対象Ｐの異常状態における符号化データを生成する処理について説明する。まず、時系列データ処理装置１０は、その後に新たに監視対象Ｐから計測された時系列データセットを入力し、図７に示すように、当該時系列データセットを所定の時間毎に区切った区間からなる１つの部分時系列データセットＷ１０を抽出する（ステップＳ２１）。そして、時系列データ処理装置１０は、部分時系列データセットＷ１０について、時系列データの要素間の相関関係を表す相関データＰ１０を算出して、相関モデルＭと比較し（ステップＳ２２）、当該相関モデルＭとの差異に基づいて相関破壊が生じているか否かを調べる（ステップＳ２３）。
続いて、時系列データ処理装置１０は、図７に示すように、相関破壊が生じている部分時系列データセットＷ１０を対象とし（ステップＳ２３でＹｅｓ）、当該時系列データセットＷ１０とその相関データＰ１０とを符号化部１４に入力する。すると、符号化部１４は、部分時系列データセットＷ１０及びその相関データＰ１０から、モデル記憶部１７に記憶されている相関破壊モデルを用いて、二値ベクトルからなる符号化データＢ１を生成する（ステップＳ２４）。そして、符号化部１４は、生成した符号化データＢ１に、当該符号化データＢ１の生成元となる時系列データセットを計測したときに生じていたイベントの情報を関連付けて、符号化データ記憶部３２に記憶する（ステップＳ２５）。時系列データ処理装置１０は、数多くの部分時系列データセットＷ１０について符号化データＢ１の生成を行い、多くの異常状態における部分時系列データセット及び相関データの特徴を表す符号化データＢ１を蓄積する。
次に、図１２のフローチャートを参照して、監視対象Ｐの状態を監視する処理について説明する。まず、時系列データ処理装置１０は、さらにその後に新たに監視対象Ｐから計測された時系列データセットを入力し、図８に示すように、当該時系列データセットを所定の時間毎に区切った区間からなる１つの部分時系列データセットＷ２０を抽出する（ステップＳ３１）。そして、時系列データ処理装置１０は、部分時系列データセットＷ２０について、時系列データの要素間の相関関係を表す相関データＰ２０を算出して、相関モデルＭと比較し（ステップＳ３２）、当該相関モデルＭとの差異に基づいて相関破壊が生じているか否かを調べる（ステップＳ３３）。
続いて、時系列データ処理装置１０は、図８に示すように、相関破壊が生じている部分時系列データセットＷ２０を対象とし（ステップＳ３３でＹｅｓ）、当該時系列データセットＷ２０とその相関データＰ２０とを符号化部１４に入力する。すると、符号化部１４は、部分時系列データセットＷ２０及びその相関データＰ２０から、モデル記憶部１７に記憶されている相関破壊モデルを用いて、二値ベクトルからなる符号化データＢ２を生成する（ステップＳ３４）。
続いて、時系列データ処理装置１０は、新たに生成した符号化データＢ２と同一のデータを、符号化データ記憶部１８内から検索する（ステップＳ３５）。そして、時系列データ処理装置１０は、検索の結果、新たに生成した符号化データＢ２と同一の符号化データが符号化データ記憶部１８内に存在した場合には（ステップＳ３６でＹｅｓ）、当該符号化データ記憶部１８内に記憶されている符号化データに関連付けられているイベント情報を読み出し、イベントを特定する（ステップＳ３７）。時系列データ処理装置１０は、特定したイベント情報を監視者に対して出力する。
以上のように、本発明では、部分時系列データセットの時系列データ及び相関データに基づいて、これらの特徴を表す符号化データを生成している。このため、新たに計測した時系列データから生成した符号化データから、監視対象の状態の特徴が一致する過去の符号化データを特定することができ、高速かつ正確に監視対象の状態を特定することができる。
＜実施形態２＞
次に、本発明の第２の実施形態を、図１３乃至図１９を参照して説明する。図１３、１４，１６，１８は、実施形態２における時系列データ処理装置の構成を示すブロック図であり、図１５，１７，１９は、時系列データ処理装置の動作を示すフローチャートである。なお、本実施形態では、実施形態１で説明した時系列データ処理装置及び時系列データ処理方法の構成の概略を示している。
まず、図１３を参照して、本実施形態における時系列データ処理装置１００のハードウェア構成を説明する。時系列データ処理装置１００は、一般的な情報処理装置にて構成されており、一例として、以下のようなハードウェア構成を装備している。
・ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１０１（演算装置）
・ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１０２（記憶装置）
・ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１０３（記憶装置）
・ＲＡＭ１０３にロードされるプログラム群１０４
・プログラム群１０４を格納する記憶装置１０５
・情報処理装置外部の記憶媒体１１０の読み書きを行うドライブ装置１０６
・情報処理装置外部の通信ネットワーク１１１と接続する通信インタフェース１０７
・データの入出力を行う入出力インタフェース１０８
・各構成要素を接続するバス１０９
そして、時系列データ処理装置１００は、プログラム群１０４をＣＰＵ１０１が取得して当該ＣＰＵ１０１が実行することで、図１４に示す分析部１２１と符号化部１２２を構築して装備することができる。なお、プログラム群１０４は、例えば、予め記憶装置１０５やＲＯＭ１０２に格納されており、必要に応じてＣＰＵ１０１がＲＡＭ１０３にロードして実行する。また、プログラム群１０４は、通信ネットワーク１１１を介してＣＰＵ１０１に供給されてもよいし、予め記憶媒体１１０に格納されており、ドライブ装置１０６が該プログラムを読み出してＣＰＵ１０１に供給してもよい。但し、上述した分析部１２１と出力部１２２とは、電子回路で構築されるものであってもよい。
なお、図１３は、時系列データ処理装置１００である情報処理装置のハードウェア構成の一例を示しており、情報処理装置のハードウェア構成は上述した場合に例示されない。例えば、情報処理装置は、ドライブ装置１０６を有さないなど、上述した構成の一部から構成されてもよい。
そして、時系列データ処理装置１００は、上述したようにプログラムによって構築された分析部１２１と符号化部１２２との機能により、図１５のフローチャートに示す時系列データ処理方法を実行する。
図１５に示すように、時系列データ処理装置１００は、
複数の要素の時系列データの集合である時系列データセットを所定の時間毎に区切った部分時系列データセットを抽出し（ステップＳ１０１）、
前記部分時系列データセットに含まれる前記時系列データの要素間の相関関係を表す相関データを算出し（ステップＳ１０２）、
前記部分時系列データセットの前記時系列データ及び前記相関データに基づく符号化データを生成する（ステップＳ１０３）。
以上のように本発明は、部分時系列データセットの時系列データ及び相関データに基づいて符号化データを生成している。このため、新たに計測した時系列データから生成した符号化データから、監視対象の状態が一致するような過去の符号化データを特定することができ、高速かつ正確に監視対象の状態を特定することができる。
また、時系列データ処理装置１００は、プログラム群１０４をＣＰＵ１０１が取得して当該ＣＰＵ１０１が実行することで、図１６に示す分析部１３１と学習部１３２とを構築して装備することもできる。そして、時系列データ処理装置１００は、上述したようにプログラムによって構築された分析部１３１と学習部１３２との機能により、図１７のフローチャートに示す時系列データ処理方法を実行する。
図１７に示すように、時系列データ処理装置１００は、
複数の要素の時系列データの集合である時系列データセットを所定の時間毎に区切った部分時系列データセットを複数抽出し（ステップＳ１１１）、
複数の前記部分時系列データセットのそれぞれから、当該部分時系列データセットに含まれる前記時系列データの要素間の相関関係を表す相関データを算出し（ステップＳ１１２）、
異なる前記部分時系列データセット間における前記時系列データ及び前記相関データの差異に応じて、前記部分時系列データセットの前記時系列データ及び前記相関データに基づく符号化データを生成するよう学習したモデルを生成する（ステップＳ１１３）。
以上のように本発明は、部分時系列データセットの時系列データ及び相関データの差異に基づいて符号化データを生成するよう学習したモデルを用いて、新たな部分時系列データセットの時系列データ及び相関データに基づいて符号化データを生成している。このため、新たに計測した時系列データから生成した符号化データから、過去の符号化データを参照することで、高速かつ正確に監視対象の状態を特定することができる。
また、時系列データ処理装置１００は、プログラム群１０４をＣＰＵ１０１が取得して当該ＣＰＵ１０１が実行することで、図１８に示す入力部１４１と検索部１４２とを構築して装備することもできる。そして、時系列データ処理装置１００は、上述したようにプログラムによって構築された入力部１４１と検索部１４２との機能により、図１９のフローチャートに示す時系列データ処理方法を実行する。
図１９に示すように、時系列データ処理装置１００は、
複数の要素の時系列データの集合である時系列データセットを所定の時間毎に区切った部分時系列データセットの前記時系列データ、及び、当該時系列データの要素間の相関関係を表す相関データ、の入力を受け付けて、前記時系列データ及び前記相関データに基づく情報を記憶部に記憶し（ステップＳ１２１）、
新たに入力された前記時系列データセットにおける前記部分時系列データセットの前記時系列データ及び前記相関データに対応する情報を、前記記憶部から検索し（ステップＳ１２２）、
検索結果を出力する（ステップＳ１２３）。
以上のように本発明は、部分時系列データセットの時系列データ及び相関データに基づく情報を記憶部に記憶しておき、新たに計測した部分時系列データセットの時系列データ及び相関データに基づく情報を記憶部から検索している。このため、新たに計測した時系列データ及び相関データに基づく情報から過去の時系列データ及び相関データに基づく情報を参照することで、高速かつ正確に監視対象の状態を特定することができる。
＜付記＞
上記実施形態の一部又は全部は、以下の付記のようにも記載されうる。以下、本発明における時系列データ処理方法、時系列データ処理装置、プログラムの構成の概略を説明する。但し、本発明は、以下の構成に限定されない。
（付記１）
複数の要素の時系列データの集合である時系列データセットを所定の時間毎に区切った部分時系列データセットを抽出し、
前記部分時系列データセットに含まれる前記時系列データの要素間の相関関係を表す相関データを算出し、
前記部分時系列データセットの前記時系列データ及び前記相関データに基づく符号化データを生成する、
時系列データ処理方法。
（付記２）
付記１に記載の時系列データ処理方法であって、
前記部分時系列データセットの前記時系列データ及び前記相関データの特徴を表す前記符号化データを生成する、
時系列データ処理方法。
（付記３）
付記１又は２に記載の時系列データ処理方法であって、
過去に計測された前記時系列データセットから抽出された前記部分時系列データセットの前記時系列データ及び前記相関データに基づいて生成されたモデルを用いて、前記部分時系列データセットの前記時系列データ及び前記相関データの前記符号化データを生成する、
時系列データ処理方法。
（付記４）
付記３に記載の時系列データ処理方法であって、
異なる前記部分時系列データセット間における前記時系列データ及び前記相関データの差異に応じて前記符号化データを生成するよう学習した前記モデルを生成し、
前記モデルを用いて、その後に計測される前記時系列データセットから抽出された前記部分時系列データセットの前記時系列データ及び前記相関データの前記符号化データを生成する、
時系列データ処理方法。
（付記５）
付記４に記載の時系列データ処理方法であって、
異なる２つの前記部分時系列データセット間における、前記時系列データ同士の差異と、前記相関データ同士の差異と、に応じた前記符号化データを生成するよう学習した前記モデルを生成する、
時系列データ処理方法。
（付記６）
付記１乃至５のいずれかに記載の時系列データ処理方法であって、
前記部分時系列データセットの前記時系列データ、及び、当該時系列データの要素間の相関関係が予め設定された基準により崩壊していると判断された前記相関データ、に基づく前記符号化データを生成する、
時系列データ処理方法。
（付記７）
付記３乃至５のいずれかに記載の時系列データ処理方法であって、
過去に計測された前記時系列データセットから抽出された前記部分時系列データセットの前記時系列データ、及び、当該時系列データの要素間の相関関係が予め設定された基準により崩壊していると判断された前記相関データ、に基づいて前記符号化データを生成するよう学習した前記モデルを生成し、
前記モデルを用いて、その後に計測される前記時系列データセットから抽出された前記部分時系列データセットの前記時系列データ、及び、当該時系列データの要素間の相関関係が予め設定された基準により崩壊していると判断された前記相関データ、に基づく前記符号化データを生成する、
時系列データ処理方法。
（付記８）
付記１乃至７のいずれかに記載の時系列データ処理方法であって、
生成した前記符号化データを記憶部に登録し、
新たに計測された前記時系列データセットから抽出された前記部分時系列データセットに基づいて前記符号化データを生成し、当該符号化データを前記記憶部内から検索する、
時系列データ処理方法。
（付記９）
複数の要素の時系列データの集合である時系列データセットを所定の時間毎に区切った部分時系列データセットを複数抽出し、
複数の前記部分時系列データセットのそれぞれから、当該部分時系列データセットに含まれる前記時系列データの要素間の相関関係を表す相関データを算出し、
異なる前記部分時系列データセット間における前記時系列データ及び前記相関データの差異に応じて、前記部分時系列データセットの前記時系列データ及び前記相関データに基づく符号化データを生成するよう学習したモデルを生成する、
時系列データ処理方法。
（付記１０）
付記９に記載の時系列データ処理方法であって、
異なる２つの前記部分時系列データセット間における、前記時系列データ同士の差異と、前記相関データ同士の差異と、に応じた前記符号化データを生成するよう学習した前記モデルを生成する、
時系列データ処理方法。
（付記１１）
付記９又は１０に記載の時系列データ処理方法であって、
過去に計測された前記時系列データセットから抽出された前記部分時系列データセットの前記時系列データ、及び、当該時系列データの要素間の相関関係が予め設定された基準により崩壊していると判断された前記相関データ、に基づいて前記符号化データを生成するよう学習した前記モデルを生成する、
時系列データ処理方法。
（付記１２）
複数の要素の時系列データの集合である時系列データセットを所定の時間毎に区切った部分時系列データセットの前記時系列データ、及び、当該時系列データの要素間の相関関係を表す相関データ、の入力を受け付けて、前記時系列データ及び前記相関データに基づく情報を記憶部に記憶し、
新たに入力された前記時系列データセットにおける前記部分時系列データセットの前記時系列データ及び前記相関データに対応する情報を、前記記憶部から検索し、
検索結果を出力する、
時系列データ処理方法。
（付記１３）
複数の要素の時系列データの集合である時系列データセットを所定の時間毎に区切った部分時系列データセットを抽出し、
前記部分時系列データセットに含まれる前記時系列データの要素間の相関関係を表す相関データを算出し、
前記部分時系列データセットの前記時系列データ及び前記相関データに基づく符号化データを生成する、
処理を情報処理装置に実行させるためのプログラム。
（付記１４）
複数の要素の時系列データの集合である時系列データセットを所定の時間毎に区切った部分時系列データセットを複数抽出し、
複数の前記部分時系列データセットのそれぞれから、当該部分時系列データセットに含まれる前記時系列データの要素間の相関関係を表す相関データを算出し、
異なる前記部分時系列データセット間における前記時系列データ及び前記相関データの差異に応じて、前記部分時系列データセットの前記時系列データ及び前記相関データに基づく符号化データを生成するよう学習したモデルを生成する、
処理を情報処理装置に実行させるためのプログラム。
（付記１５）
複数の要素の時系列データの集合である時系列データセットを所定の時間毎に区切った部分時系列データセットの前記時系列データ、及び、当該時系列データの要素間の相関関係を表す相関データ、の入力を受け付けて、前記時系列データ及び前記相関データに基づく情報を記憶部に記憶し、
新たに入力された前記時系列データセットにおける前記部分時系列データセットの前記時系列データ及び前記相関データに対応する情報を、前記記憶部から検索し、
検索結果を出力する、
処理を情報処理装置に実行させるためのプログラム。
（付記１６）
複数の要素の時系列データの集合である時系列データセットを所定の時間毎に区切った部分時系列データセットを抽出して、前記部分時系列データセットに含まれる前記時系列データの要素間の相関関係を表す相関データを算出する分析部と、
前記部分時系列データセットの前記時系列データ及び前記相関データに基づく符号化データを生成する符号化部と、
を備えた時系列データ処理装置。
（付記１６．１）
付記１６に記載の時系列データ処理装置であって、
前記符号化部は、前記部分時系列データセットの前記時系列データ及び前記相関データの特徴を表す前記符号化データを生成する、
時系列データ処理装置。
（付記１６．２）
付記１６又は１６．１に記載の時系列データ処理装置であって、
前記符号化部は、過去に計測された前記時系列データセットから抽出された前記部分時系列データセットの前記時系列データ及び前記相関データに基づいて生成されたモデルを用いて、前記部分時系列データセットの前記時系列データ及び前記相関データの前記符号化データを生成する、
時系列データ処理方法。
（付記１７）
付記１６に記載の時系列データ処理装置であって、
過去に計測された前記時系列データセットの異なる前記部分時系列データセット間における前記時系列データ及び前記相関データの差異に応じて前記符号化データを生成するよう学習したモデルを生成する学習部を備え、
前記符号化部は、前記モデルを用いて、その後に計測される前記時系列データセットから抽出された前記部分時系列データセットの前記時系列データ及び前記相関データの前記符号化データを生成する、
時系列データ処理装置。
（付記１７．１）
付記１７に記載の時系列データ処理装置であって、
前記学習部は、異なる２つの前記部分時系列データセット間における、前記時系列データ同士の差異と、前記相関データ同士の差異と、に応じた前記符号化データを生成するよう学習した前記モデルを生成する、
時系列データ処理方法。
（付記１７．２）
付記１６又は１７に記載の時系列データ処理装置であって、
前記符号化部は、前記部分時系列データセットの前記時系列データ、及び、当該時系列データの要素間の相関関係が予め設定された基準により崩壊していると判断された前記相関データ、に基づく前記符号化データを生成する、
時系列データ処理装置。
（付記１７．３）
付記１７に記載の時系列データ処理装置であって、
前記学習部は、過去に計測された前記時系列データセットから抽出された前記部分時系列データセットの前記時系列データ、及び、当該時系列データの要素間の相関関係が予め設定された基準により崩壊していると判断された前記相関データ、に基づいて前記符号化データを生成するよう学習した前記モデルを生成し、
前記符号化部は、前記モデルを用いて、その後に計測される前記時系列データセットから抽出された前記部分時系列データセットの時系列データ、及び、当該時系列データの要素間の相関関係が予め設定された基準により崩壊していると判断された前記相関データ、に基づく前記符号化データを生成する、
時系列データ処理装置。
（付記１８）
付記１６又は１７に記載の時系列データ処理装置であって、
前記符号化部は、生成した前記符号化データを記憶部に登録し、
さらに、新たに計測された前記時系列データセットから抽出された前記部分時系列データセットに基づいて生成された前記符号化データを、前記記憶部内から検索する検索部を備えた、
時系列データ処理装置。
（付記１９）
複数の要素の時系列データの集合である時系列データセットを所定の時間毎に区切った部分時系列データセットを複数抽出し、複数の前記部分時系列データセットのそれぞれから、当該部分時系列データセットに含まれる前記時系列データの要素間の相関関係を表す相関データを算出する分析部と、
異なる前記部分時系列データセット間における前記時系列データ及び前記相関データの差異に応じて、前記部分時系列データセットの前記時系列データ及び前記相関データに基づく符号化データを生成するよう学習したモデルを生成する学習部と、
を備えた時系列データ処理装置。
（付記１９．１）
付記１９に記載の時系列データ処理装置であって、
前記学習部は、異なる２つの前記部分時系列データセット間における、前記時系列データ同士の差異と、前記相関データ同士の差異と、に応じた前記符号化データを生成するよう学習した前記モデルを生成する、
時系列データ処理装置。
（付記１９．２）
付記１９に記載の時系列データ処理装置であって、
前記学習部は、過去に計測された前記時系列データセットから抽出された前記部分時系列データセットの前記時系列データ、及び、当該時系列データの要素間の相関関係が予め設定された基準により崩壊していると判断された前記相関データ、に基づいて前記符号化データを生成するよう学習した前記モデルを生成する、
時系列データ処理装置。
（付記２０）
複数の要素の時系列データの集合である時系列データセットを所定の時間毎に区切った部分時系列データセットの前記時系列データ、及び、当該時系列データの要素間の相関関係を表す相関データ、の入力を受け付けて、前記時系列データ及び前記相関データに基づく情報を記憶部に記憶する入力部と、
新たに入力された前記時系列データセットにおける前記部分時系列データセットの前記時系列データ及び前記相関データに対応する情報を、前記記憶部から検索し、検索結果を出力する検索部と、
を備えた時系列データ処理装置。
なお、上述したプログラムは、様々なタイプの非一時的なコンピュータ可読媒体（non-transitory computer readable medium）を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（tangible storage medium）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば光磁気ディスク）、ＣＤ−ＲＯＭ（Read Only Memory）、ＣＤ−Ｒ、ＣＤ−Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Programmable ROM）、ＥＰＲＯＭ（Erasable PROM）、フラッシュＲＯＭ、ＲＡＭ（Random Access Memory））を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（transitory computer readable medium）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。
以上、上記実施形態等を参照して本願発明を説明したが、本願発明は、上述した実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明の範囲内で当業者が理解しうる様々な変更をすることができる。
１０ 時系列データ処理装置
１１ 計測部
１２ 学習部
１３ 分析部
１４ 符号化部
１５ 検索部
１６ 計測データ記憶部
１７ モデル記憶部
１８ 符号化データ記憶部
２１ 相関モデル学習部
２２ 相関破壊モデル学習部
３１ 区間抽出部
３２ 相関破壊検出部
１００ 時系列データ処理装置
１２１ 分析部
１２２ 符号化部
１３１ 分析部
１３２ 学習部
１４１ 入力部
１４２ 検索部

Claims (20)

  1. 複数の要素の時系列データの集合である時系列データセットを所定の時間毎に区切った部分時系列データセットを抽出し、
    前記部分時系列データセットに含まれる前記時系列データの要素間の相関関係を表す相関データを算出し、
    前記部分時系列データセットの前記時系列データ及び前記相関データに基づく符号化データを生成する、
    時系列データ処理方法。
  2. 請求項１に記載の時系列データ処理方法であって、
    前記部分時系列データセットの前記時系列データ及び前記相関データの特徴を表す前記符号化データを生成する、
    時系列データ処理方法。
  3. 請求項１又は２に記載の時系列データ処理方法であって、
    過去に計測された前記時系列データセットから抽出された前記部分時系列データセットの前記時系列データ及び前記相関データに基づいて生成されたモデルを用いて、前記部分時系列データセットの前記時系列データ及び前記相関データの前記符号化データを生成する、
    時系列データ処理方法。
  4. 請求項３に記載の時系列データ処理方法であって、
    異なる前記部分時系列データセット間における前記時系列データ及び前記相関データの差異に応じて前記符号化データを生成するよう学習した前記モデルを生成し、
    前記モデルを用いて、その後に計測される前記時系列データセットから抽出された前記部分時系列データセットの前記時系列データ及び前記相関データの前記符号化データを生成する、
    時系列データ処理方法。
  5. 請求項４に記載の時系列データ処理方法であって、
    異なる２つの前記部分時系列データセット間における、前記時系列データ同士の差異と、前記相関データ同士の差異と、に応じた前記符号化データを生成するよう学習した前記モデルを生成する、
    時系列データ処理方法。
  6. 請求項１乃至５のいずれかに記載の時系列データ処理方法であって、
    前記部分時系列データセットの前記時系列データ、及び、当該時系列データの要素間の相関関係が予め設定された基準により崩壊していると判断された前記相関データ、に基づく前記符号化データを生成する、
    時系列データ処理方法。
  7. 請求項３乃至５のいずれかに記載の時系列データ処理方法であって、
    過去に計測された前記時系列データセットから抽出された前記部分時系列データセットの前記時系列データ、及び、当該時系列データの要素間の相関関係が予め設定された基準により崩壊していると判断された前記相関データ、に基づいて前記符号化データを生成するよう学習した前記モデルを生成し、
    前記モデルを用いて、その後に計測される前記時系列データセットから抽出された前記部分時系列データセットの前記時系列データ、及び、当該時系列データの要素間の相関関係が予め設定された基準により崩壊していると判断された前記相関データ、に基づく前記符号化データを生成する、
    時系列データ処理方法。
  8. 請求項１乃至７のいずれかに記載の時系列データ処理方法であって、
    生成した前記符号化データを記憶部に登録し、
    新たに計測された前記時系列データセットから抽出された前記部分時系列データセットに基づいて前記符号化データを生成し、当該符号化データを前記記憶部内から検索する、
    時系列データ処理方法。
  9. 複数の要素の時系列データの集合である時系列データセットを所定の時間毎に区切った部分時系列データセットを複数抽出し、
    複数の前記部分時系列データセットのそれぞれから、当該部分時系列データセットに含まれる前記時系列データの要素間の相関関係を表す相関データを算出し、
    異なる前記部分時系列データセット間における前記時系列データ及び前記相関データの差異に応じて、前記部分時系列データセットの前記時系列データ及び前記相関データに基づく符号化データを生成するよう学習したモデルを生成する、
    時系列データ処理方法。
  10. 請求項９に記載の時系列データ処理方法であって、
    異なる２つの前記部分時系列データセット間における、前記時系列データ同士の差異と、前記相関データ同士の差異と、に応じた前記符号化データを生成するよう学習した前記モデルを生成する、
    時系列データ処理方法。
  11. 請求項９又は１０に記載の時系列データ処理方法であって、
    過去に計測された前記時系列データセットから抽出された前記部分時系列データセットの前記時系列データ、及び、当該時系列データの要素間の相関関係が予め設定された基準により崩壊していると判断された前記相関データ、に基づいて前記符号化データを生成するよう学習した前記モデルを生成する、
    時系列データ処理方法。
  12. 複数の要素の時系列データの集合である時系列データセットを所定の時間毎に区切った部分時系列データセットの前記時系列データ、及び、当該時系列データの要素間の相関関係を表す相関データ、の入力を受け付けて、前記時系列データ及び前記相関データに基づく情報を記憶部に記憶し、
    新たに入力された前記時系列データセットにおける前記部分時系列データセットの前記時系列データ及び前記相関データに対応する情報を、前記記憶部から検索し、
    検索結果を出力する、
    時系列データ処理方法。
  13. 複数の要素の時系列データの集合である時系列データセットを所定の時間毎に区切った部分時系列データセットを抽出し、
    前記部分時系列データセットに含まれる前記時系列データの要素間の相関関係を表す相関データを算出し、
    前記部分時系列データセットの前記時系列データ及び前記相関データに基づく符号化データを生成する、
    処理を情報処理装置に実行させるためのプログラム。
  14. 複数の要素の時系列データの集合である時系列データセットを所定の時間毎に区切った部分時系列データセットを複数抽出し、
    複数の前記部分時系列データセットのそれぞれから、当該部分時系列データセットに含まれる前記時系列データの要素間の相関関係を表す相関データを算出し、
    異なる前記部分時系列データセット間における前記時系列データ及び前記相関データの差異に応じて、前記部分時系列データセットの前記時系列データ及び前記相関データに基づく符号化データを生成するよう学習したモデルを生成する、
    処理を情報処理装置に実行させるためのプログラム。
  15. 複数の要素の時系列データの集合である時系列データセットを所定の時間毎に区切った部分時系列データセットの前記時系列データ、及び、当該時系列データの要素間の相関関係を表す相関データ、の入力を受け付けて、前記時系列データ及び前記相関データに基づく情報を記憶部に記憶し、
    新たに入力された前記時系列データセットにおける前記部分時系列データセットの前記時系列データ及び前記相関データに対応する情報を、前記記憶部から検索し、
    検索結果を出力する、
    処理を情報処理装置に実行させるためのプログラム。
  16. 複数の要素の時系列データの集合である時系列データセットを所定の時間毎に区切った部分時系列データセットを抽出して、前記部分時系列データセットに含まれる前記時系列データの要素間の相関関係を表す相関データを算出する分析部と、
    前記部分時系列データセットの前記時系列データ及び前記相関データに基づく符号化データを生成する符号化部と、
    を備えた時系列データ処理装置。
  17. 請求項１６に記載の時系列データ処理装置であって、
    過去に計測された前記時系列データセットの異なる前記部分時系列データセット間における前記時系列データ及び前記相関データの差異に応じて前記符号化データを生成するよう学習したモデルを生成する学習部を備え、
    前記符号化部は、前記モデルを用いて、その後に計測される前記時系列データセットから抽出された前記部分時系列データセットの前記時系列データ及び前記相関データの前記符号化データを生成する、
    時系列データ処理装置。
  18. 請求項１６又は１７に記載の時系列データ処理装置であって、
    前記符号化部は、生成した前記符号化データを記憶部に登録し、
    さらに、新たに計測された前記時系列データセットから抽出された前記部分時系列データセットに基づいて生成された前記符号化データを、前記記憶部内から検索する検索部を備えた、
    時系列データ処理装置。
  19. 複数の要素の時系列データの集合である時系列データセットを所定の時間毎に区切った部分時系列データセットを複数抽出し、複数の前記部分時系列データセットのそれぞれから、当該部分時系列データセットに含まれる前記時系列データの要素間の相関関係を表す相関データを算出する分析部と、
    異なる前記部分時系列データセット間における前記時系列データ及び前記相関データの差異に応じて、前記部分時系列データセットの前記時系列データ及び前記相関データに基づく符号化データを生成するよう学習したモデルを生成する学習部と、
    を備えた時系列データ処理装置。
  20. 複数の要素の時系列データの集合である時系列データセットを所定の時間毎に区切った部分時系列データセットの前記時系列データ、及び、当該時系列データの要素間の相関関係を表す相関データ、の入力を受け付けて、前記時系列データ及び前記相関データに基づく情報を記憶部に記憶する入力部と、
    新たに入力された前記時系列データセットにおける前記部分時系列データセットの前記時系列データ及び前記相関データに対応する情報を、前記記憶部から検索し、検索結果を出力する検索部と、
    を備えた時系列データ処理装置。
JP2020572047A 2019-02-15 2019-02-15 時系列データ処理方法 Active JP7218765B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/005617 WO2020166072A1 (ja) 2019-02-15 2019-02-15 時系列データ処理方法

Publications (2)

Publication Number Publication Date
JPWO2020166072A1 true JPWO2020166072A1 (ja) 2021-12-02
JP7218765B2 JP7218765B2 (ja) 2023-02-07

Family

ID=72043846

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020572047A Active JP7218765B2 (ja) 2019-02-15 2019-02-15 時系列データ処理方法

Country Status (3)

Country Link
US (1) US20220138624A1 (ja)
JP (1) JP7218765B2 (ja)
WO (1) WO2020166072A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022136708A (ja) * 2021-03-08 2022-09-21 富士通株式会社 情報処理方法、および情報処理プログラム

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015033603A1 (ja) * 2013-09-09 2015-03-12 日本電気株式会社 情報処理システム、情報処理方法及びプログラム
JP2015528925A (ja) * 2012-07-31 2015-10-01 インテレクチュアル ディスカバリー シーオー エルティディＩｎｔｅｌｌｅｃｔｕａｌ Ｄｉｓｃｏｖｅｒｙ Ｃｏ．，Ｌｔｄ． オーディオ信号処理装置および方法
JP2017037496A (ja) * 2015-08-10 2017-02-16 株式会社インフォディオ 時系列データ検索方法、時系列データ検索装置および時系列データ検索プログラム
WO2017168524A1 (ja) * 2016-03-28 2017-10-05 株式会社日立製作所 分析用サーバ装置、データ解析システム、及びデータ解析方法
US20170329660A1 (en) * 2016-05-16 2017-11-16 Oracle International Corporation Correlation-based analytic for time-series data

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015528925A (ja) * 2012-07-31 2015-10-01 インテレクチュアル ディスカバリー シーオー エルティディＩｎｔｅｌｌｅｃｔｕａｌ Ｄｉｓｃｏｖｅｒｙ Ｃｏ．，Ｌｔｄ． オーディオ信号処理装置および方法
WO2015033603A1 (ja) * 2013-09-09 2015-03-12 日本電気株式会社 情報処理システム、情報処理方法及びプログラム
JP2017037496A (ja) * 2015-08-10 2017-02-16 株式会社インフォディオ 時系列データ検索方法、時系列データ検索装置および時系列データ検索プログラム
WO2017168524A1 (ja) * 2016-03-28 2017-10-05 株式会社日立製作所 分析用サーバ装置、データ解析システム、及びデータ解析方法
US20170329660A1 (en) * 2016-05-16 2017-11-16 Oracle International Corporation Correlation-based analytic for time-series data

Also Published As

Publication number Publication date
WO2020166072A1 (ja) 2020-08-20
JP7218765B2 (ja) 2023-02-07
US20220138624A1 (en) 2022-05-05

Similar Documents

Publication Publication Date Title
US9658916B2 (en) System analysis device, system analysis method and system analysis program
JP6658540B2 (ja) システム分析装置、システム分析方法およびプログラム
JP6708203B2 (ja) 情報処理装置、情報処理方法、及び、プログラム
US20070239629A1 (en) Cluster Trending Method for Abnormal Events Detection
EP2963553B1 (en) System analysis device and system analysis method
JP2013025367A (ja) 設備状態監視方法およびその装置
KR102005138B1 (ko) 기기 이상징후 사전감지 방법 및 시스템
Sowah et al. Design of power distribution network fault data collector for fault detection, location and classification using machine learning
WO2019239542A1 (ja) 異常検知装置、異常検知方法及び異常検知プログラム
Wang et al. Sensor data based system-level anomaly prediction for smart manufacturing
KR102366922B1 (ko) 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 시스템 및 그 방법
KR20190135923A (ko) 설비 관리 방법 및 이를 실행하는 장치
JPWO2020166072A1 (ja) 時系列データ処理方法
JP6602256B2 (ja) 相互相関に基づいて時系列変化点を検出可能なプログラム、装置及び方法
JPWO2020148904A1 (ja) 異常検知装置、異常検知システム及び学習装置、並びに、これらの方法及びプログラム
JP7226542B2 (ja) 時系列データ処理方法、時系列データ処理装置、プログラム
Firos et al. Fault detection in power transmission lines using AI model
US10157113B2 (en) Information processing device, analysis method, and recording medium
JP7264231B2 (ja) 監視方法、監視装置、プログラム
JP7239022B2 (ja) 時系列データ処理方法
Dhyani Predicting equipment failure in manufacturing plants: an AI-driven maintenance strategy
WO2016163008A1 (ja) 異常診断装置および異常診断方法
Martinez et al. Labelling drifts in a fault detection system for wind turbine maintenance
JP7533582B2 (ja) 時系列データ処理方法、時系列データ処理装置、時系列データ処理システム、記録媒体
Simi et al. A Robust Data-Driven Predictive Maintenance Framework for Industrial Machinery using Explainable Machine Learning Techniques

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210715

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210715

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220913

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221107

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: 20221227

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230109

R151 Written notification of patent or utility model registration

Ref document number: 7218765

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151