JPWO2020255413A5 - データ解析装置、データ解析方法、及びプログラム - Google Patents
データ解析装置、データ解析方法、及びプログラム Download PDFInfo
- Publication number
- JPWO2020255413A5 JPWO2020255413A5 JP2021528631A JP2021528631A JPWO2020255413A5 JP WO2020255413 A5 JPWO2020255413 A5 JP WO2020255413A5 JP 2021528631 A JP2021528631 A JP 2021528631A JP 2021528631 A JP2021528631 A JP 2021528631A JP WO2020255413 A5 JPWO2020255413 A5 JP WO2020255413A5
- Authority
- JP
- Japan
- Prior art keywords
- data
- specific region
- showing
- regression model
- group
- 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
- 238000007405 data analysis Methods 0.000 title claims description 20
- 238000000034 method Methods 0.000 title claims description 7
- 238000013145 classification model Methods 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 230000005484 gravity Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Description
本発明は、特定領域の特性、例えば、地表に存在する物質の含有量等を示す地球科学データを解析するための、データ解析装置、及びデータ解析方法に関し、更には、これらを実現するためのプログラムに関する。
これに対して、現在、地球科学データが取得されていない箇所の特性を推測する手法としては、機械学習による推定方法も多く提案されている。この推定方法では、まず、特定種類の地球科学データが取得されていない箇所の特性を推定するために、取得済みの他種類の地球科学データを学習データとして学習モデルが構築される。例えば、十数種類のリモートセンシングデータ、地磁気データ、重力データや等高線データ等が学習データとして用いられる。
ところで、このような地球科学データには、ダイナミックスケールが非常に大きいという特徴がある。このため、地球科学データにおいては、同じ指標であるにも係わらず、その数値が10のマイナス数乗から10のプラス数乗までの広い範囲にわたることがある(後述の図3(a)参照)。但し、数値が広範囲にわたったとしても、地球科学データの値は、対象となるエリアのマップ全体において、殆どの領域では低くなり、局所的に高くなるだけである。つまり、値が高い領域と値が低い領域との間の勾配は急であり、地球科学データの値が高い領域は、特異的に分布している。
本発明の目的の一例は、上記問題を解消し、機械学習を用いたデータの推定において、推定精度の向上を図り得る、データ解析装置、データ解析方法、及びプログラムを提供することにある。
更に、上記目的を達成するため、本発明の一側面におけるプログラムは、
コンピュータに、
(a)特定領域の特性を示す第1のデータと、それに対応し、且つ、前記特定領域の別の特性を示す第2のデータとの、組データを取得し、前記第1のデータをその大きさの順に整列させる、ステップと、
(b)前記組データのデータ群に対して、整列後の前記第1のデータの順序分布の特性に基づいて、グルーピングを行って、前記組データのデータ群を複数のグループに分類し、分類の結果を用いて、前記組データを分類するための分類モデルを作成する、ステップと、
(c)前記グループ毎に、前記組データを構成する前記第1のデータを応答変数とし、同じ前記組データを構成する前記第2のデータを説明変数として、機械学習を行って、前記第1のデータと前記第2のデータとの関係を示す回帰モデルを作成する、ステップと、
を実行させることを特徴とする。
コンピュータに、
(a)特定領域の特性を示す第1のデータと、それに対応し、且つ、前記特定領域の別の特性を示す第2のデータとの、組データを取得し、前記第1のデータをその大きさの順に整列させる、ステップと、
(b)前記組データのデータ群に対して、整列後の前記第1のデータの順序分布の特性に基づいて、グルーピングを行って、前記組データのデータ群を複数のグループに分類し、分類の結果を用いて、前記組データを分類するための分類モデルを作成する、ステップと、
(c)前記グループ毎に、前記組データを構成する前記第1のデータを応答変数とし、同じ前記組データを構成する前記第2のデータを説明変数として、機械学習を行って、前記第1のデータと前記第2のデータとの関係を示す回帰モデルを作成する、ステップと、
を実行させることを特徴とする。
具体的には、回帰モデル作成部13は、グループ毎に、サポートベクトルマシンに、そのグループを構成するサンプルデータを与えて、地球科学データが示す特定領域の特性と衛星データが示す特定領域の特性との関係、例えば、銅の含有量(ppm)と、特定波長の光の反射率、標高値、及び傾斜値との関係を学習する。そして、回帰モデル作成部13は、学習の結果、例えば、特定波長の光の反射率、標高値、及び傾斜値が入力されると、入力値に応じて、銅の含有量を出力する回帰モデル17を作成する。また、この場合、サンプルデータは予めグルーピングされており、グループ毎に、回帰モデルが作成される。その後、回帰モデル作成部13は、作成した毎期モデル17も記憶部15に格納させる。なお、グループ毎の回帰モデルは、それぞれ同一の回帰モデルであっても良いし、異なる回帰モデルであっても良い。
次に、分類モデル作成部12は、既に設定された閾値Sの数iがkより大きいかどうかを判定する(ステップD6)。ステップD6の判定の結果、既に設定された閾値Sの数iがkより大きくない場合は、分類モデル作成部12は、再度ステップD2を実行する。
(付記15)
コンピュータに、
(a)特定領域の特性を示す第1のデータと、それに対応し、且つ、前記特定領域の別の特性を示す第2のデータとの、組データを取得し、前記第1のデータをその大きさの順に整列させる、ステップと、
(b)前記組データのデータ群に対して、整列後の前記第1のデータの順序分布の特性に基づいて、グルーピングを行って、前記組データのデータ群を複数のグループに分類し、分類の結果を用いて、前記組データを分類するための分類モデルを作成する、ステップと、
(c)前記グループ毎に、前記組データを構成する前記第1のデータを応答変数とし、同じ前記組データを構成する前記第2のデータを説明変数として、機械学習を行って、前記第1のデータと前記第2のデータとの関係を示す回帰モデルを作成する、ステップと、
を実行させる、プログラム。
コンピュータに、
(a)特定領域の特性を示す第1のデータと、それに対応し、且つ、前記特定領域の別の特性を示す第2のデータとの、組データを取得し、前記第1のデータをその大きさの順に整列させる、ステップと、
(b)前記組データのデータ群に対して、整列後の前記第1のデータの順序分布の特性に基づいて、グルーピングを行って、前記組データのデータ群を複数のグループに分類し、分類の結果を用いて、前記組データを分類するための分類モデルを作成する、ステップと、
(c)前記グループ毎に、前記組データを構成する前記第1のデータを応答変数とし、同じ前記組データを構成する前記第2のデータを説明変数として、機械学習を行って、前記第1のデータと前記第2のデータとの関係を示す回帰モデルを作成する、ステップと、
を実行させる、プログラム。
(付記16)
付記15に記載のプログラムであって、
前記コンピュータに、
(d)前記特定領域以外の領域における前記第2のデータを、前記分類モデル及び前記回帰モデルに適用して、前記特定領域以外の領域における前記第1のデータを推定する、ステップを更に実行させる、
ことを特徴とするプログラム。
付記15に記載のプログラムであって、
前記コンピュータに、
(d)前記特定領域以外の領域における前記第2のデータを、前記分類モデル及び前記回帰モデルに適用して、前記特定領域以外の領域における前記第1のデータを推定する、ステップを更に実行させる、
ことを特徴とするプログラム。
(付記17)
付記15または16に記載のプログラムであって、
前記(b)のステップにおいて、整列後の前記第1のデータの順序分布に基づき、前記第1のデータの一部に対して線形回帰を実行して、近似直線を算出し、更に、算出した近似直線を用いて、前記グルーピングのための閾値を設定し、そして、設定した前記閾値を用いて前記グルーピングを行う、
ことを特徴とするプログラム。
付記15または16に記載のプログラムであって、
前記(b)のステップにおいて、整列後の前記第1のデータの順序分布に基づき、前記第1のデータの一部に対して線形回帰を実行して、近似直線を算出し、更に、算出した近似直線を用いて、前記グルーピングのための閾値を設定し、そして、設定した前記閾値を用いて前記グルーピングを行う、
ことを特徴とするプログラム。
(付記18)
付記17に記載のプログラムであって、
前記(b)のステップにおいて、
複数の前記閾値を設定し、複数の前記閾値それぞれ毎に、前記グルーピングを行って、前記分類モデルを作成し、
複数の前記閾値それぞれ毎に、前記グルーピングで得られたグループそれぞれについての前記回帰モデルを作成し、
複数の前記閾値それぞれ毎に、作成された前記分類モデル及び前記回帰モデルに、前記第2のデータのサンプルデータを適用して、前記特定領域以外の領域における前記第1のデータの推定を行い、
その後、複数の前記閾値それぞれ毎に、前記第1のデータの推定の結果から、作成された前記回帰モデルの性能を評価する評価指標を求め、求めた前記閾値毎の前記評価指標を用いて、前記閾値の最適値を決定する、
ことを特徴とするプログラム。
付記17に記載のプログラムであって、
前記(b)のステップにおいて、
複数の前記閾値を設定し、複数の前記閾値それぞれ毎に、前記グルーピングを行って、前記分類モデルを作成し、
複数の前記閾値それぞれ毎に、前記グルーピングで得られたグループそれぞれについての前記回帰モデルを作成し、
複数の前記閾値それぞれ毎に、作成された前記分類モデル及び前記回帰モデルに、前記第2のデータのサンプルデータを適用して、前記特定領域以外の領域における前記第1のデータの推定を行い、
その後、複数の前記閾値それぞれ毎に、前記第1のデータの推定の結果から、作成された前記回帰モデルの性能を評価する評価指標を求め、求めた前記閾値毎の前記評価指標を用いて、前記閾値の最適値を決定する、
ことを特徴とするプログラム。
(付記19)
付記16に記載のプログラムであって、
前記コンピュータに、
(e)前記特定領域における第1のデータと、推定された前記特定領域以外の領域における前記第1のデータとを、画面上に重ねて表示する、ステップを更に実行させる、
ことを特徴とするプログラム。
付記16に記載のプログラムであって、
前記コンピュータに、
(e)前記特定領域における第1のデータと、推定された前記特定領域以外の領域における前記第1のデータとを、画面上に重ねて表示する、ステップを更に実行させる、
ことを特徴とするプログラム。
(付記20)
付記15~19のいずれかに記載のプログラムであって、
前記(a)のステップにおいて、前記第1のデータとして、前記特定領域の特性を示す地球科学データを取得し、前記第2のデータとして、前記特定領域の別の特性を示す衛星データを取得する、
ことを特徴とするプログラム。
付記15~19のいずれかに記載のプログラムであって、
前記(a)のステップにおいて、前記第1のデータとして、前記特定領域の特性を示す地球科学データを取得し、前記第2のデータとして、前記特定領域の別の特性を示す衛星データを取得する、
ことを特徴とするプログラム。
(付記21)
付記20に記載のプログラムであって、
前記地球科学データが、前記特定領域における特定の物質の存在を示すデータであり、
前記衛星データが、前記特定領域における特定波長の光の反射率の分布を示すデータである、
ことを特徴とするプログラム。
付記20に記載のプログラムであって、
前記地球科学データが、前記特定領域における特定の物質の存在を示すデータであり、
前記衛星データが、前記特定領域における特定波長の光の反射率の分布を示すデータである、
ことを特徴とするプログラム。
Claims (9)
- 特定領域の特性を示す第1のデータと、それに対応し、且つ、前記特定領域の別の特性を示す第2のデータとの、組データを取得し、前記第1のデータをその大きさの順に整列させる、整列手段と、
前記組データのデータ群に対して、整列後の前記第1のデータの順序分布の特性に基づいて、グルーピングを行って、前記組データのデータ群を複数のグループに分類し、分類の結果を用いて、前記組データを分類するための分類モデルを作成する、分類モデル作成手段と、
前記グループ毎に、前記組データを構成する前記第1のデータを応答変数とし、同じ前記組データを構成する前記第2のデータを説明変数として、機械学習を行って、前記第1のデータと前記第2のデータとの関係を示す回帰モデルを作成する、回帰モデル作成手段と、
を備えている、ことを特徴とするデータ解析装置。 - 請求項1に記載のデータ解析装置であって、
前記特定領域以外の領域における前記第2のデータを、前記分類モデル及び前記回帰モデルに適用して、前記特定領域以外の領域における前記第1のデータを推定する、データ推定手段を、更に備えている、
ことを特徴とするデータ解析装置。 - 請求項1または2に記載のデータ解析装置であって、
前記分類モデル作成手段が、整列後の前記第1のデータの順序分布に基づき、前記第1のデータの一部に対して線形回帰を実行して、近似直線を算出し、更に、算出した近似直線を用いて、前記グルーピングのための閾値を設定し、そして、設定した前記閾値を用いて前記グルーピングを行う、
ことを特徴とするデータ解析装置。 - 請求項3に記載のデータ解析装置であって、
前記分類モデル作成手段が、
複数の前記閾値を設定し、複数の前記閾値それぞれ毎に、前記グルーピングを行って、前記分類モデルを作成し、更に、
前記回帰モデル作成手段に、複数の前記閾値それぞれ毎に、前記グルーピングで得られたグループそれぞれについての前記回帰モデルを作成させ、続いて、
前記データ推定手段に、複数の前記閾値それぞれ毎に、作成された前記分類モデル及び前記回帰モデルに、前記第2のデータのサンプルデータを適用して、前記特定領域以外の領域における前記第1のデータの推定を行わせ、
その後、複数の前記閾値それぞれ毎に、前記第1のデータの推定の結果から、作成された前記回帰モデルの性能を評価する評価指標を求め、求めた前記閾値毎の前記評価指標を用いて、前記閾値の最適値を決定する、
ことを特徴とするデータ解析装置。 - 請求項2に記載のデータ解析装置であって、
前記特定領域における第1のデータと、推定された前記特定領域以外の領域における前記第1のデータとを、画面上に重ねて表示する、表示手段を、更に備えている、
ことを特徴とするデータ解析装置。 - 請求項1~5のいずれかに記載のデータ解析装置であって、
前記整列手段が、前記第1のデータとして、前記特定領域の特性を示す地球科学データを取得し、前記第2のデータとして、前記特定領域の別の特性を示す衛星データを取得する、
ことを特徴とするデータ解析装置。 - 請求項6に記載のデータ解析装置であって、
前記地球科学データが、前記特定領域における特定の物質の存在を示すデータであり、
前記衛星データが、前記特定領域における特定波長の光の反射率の分布を示すデータである、
ことを特徴とするデータ解析装置。 - (a)特定領域の特性を示す第1のデータと、それに対応し、且つ、前記特定領域の別の特性を示す第2のデータとの、組データを取得し、前記第1のデータをその大きさの順に整列させ、
(b)前記組データのデータ群に対して、整列後の前記第1のデータの順序分布の特性に基づいて、グルーピングを行って、前記組データのデータ群を複数のグループに分類し、分類の結果を用いて、前記組データを分類するための分類モデルを作成し、
(c)前記グループ毎に、前記組データを構成する前記第1のデータを応答変数とし、同じ前記組データを構成する前記第2のデータを説明変数として、機械学習を行って、前記第1のデータと前記第2のデータとの関係を示す回帰モデルを作成する、
ことを特徴とするデータ解析方法。 - コンピュータに、
(a)特定領域の特性を示す第1のデータと、それに対応し、且つ、前記特定領域の別の特性を示す第2のデータとの、組データを取得し、前記第1のデータをその大きさの順に整列させる、ステップと、
(b)前記組データのデータ群に対して、整列後の前記第1のデータの順序分布の特性に基づいて、グルーピングを行って、前記組データのデータ群を複数のグループに分類し、分類の結果を用いて、前記組データを分類するための分類モデルを作成する、ステップと、
(c)前記グループ毎に、前記組データを構成する前記第1のデータを応答変数とし、同じ前記組データを構成する前記第2のデータを説明変数として、機械学習を行って、前記第1のデータと前記第2のデータとの関係を示す回帰モデルを作成する、ステップと、
を実行させる、プログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2019/024831 WO2020255413A1 (ja) | 2019-06-21 | 2019-06-21 | データ解析装置、データ解析方法、及びコンピュータ読み取り可能な記録媒体 |
Publications (3)
Publication Number | Publication Date |
---|---|
JPWO2020255413A1 JPWO2020255413A1 (ja) | 2020-12-24 |
JPWO2020255413A5 true JPWO2020255413A5 (ja) | 2022-03-15 |
JP7235111B2 JP7235111B2 (ja) | 2023-03-08 |
Family
ID=74040173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021528631A Active JP7235111B2 (ja) | 2019-06-21 | 2019-06-21 | データ解析装置、データ解析方法、及びプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220308260A1 (ja) |
JP (1) | JP7235111B2 (ja) |
WO (1) | WO2020255413A1 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11946921B2 (en) * | 2018-11-09 | 2024-04-02 | Stefan Metzger | Systems and methods for improving the performance of environmental measurements |
CN113378473B (zh) * | 2021-06-23 | 2024-01-12 | 中国地质科学院水文地质环境地质研究所 | 一种基于机器学习模型的地下水砷风险预测方法 |
CN115170694B (zh) * | 2022-06-27 | 2023-06-16 | 西安中科天塔科技股份有限公司 | 一种面源碳通量分布图的生成方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000002769A (ja) | 1998-06-17 | 2000-01-07 | Nippon Koei Co Ltd | 地質構造の空間分布を予測して地質図を作成する方法及び装置 |
JP5871192B2 (ja) * | 2010-12-24 | 2016-03-01 | 日本電気株式会社 | 監視データ分析装置、監視データ分析方法および監視データ分析プログラム |
WO2018216623A1 (ja) * | 2017-05-25 | 2018-11-29 | 日本電気株式会社 | 地球科学データ解析装置、地球科学データ解析方法、及びコンピュータ読み取り可能な記録媒体 |
-
2019
- 2019-06-21 US US17/617,993 patent/US20220308260A1/en active Pending
- 2019-06-21 JP JP2021528631A patent/JP7235111B2/ja active Active
- 2019-06-21 WO PCT/JP2019/024831 patent/WO2020255413A1/ja active Application Filing
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5984153B2 (ja) | 情報処理装置、プログラム、及び情報処理方法 | |
Rahaman et al. | An efficient multilevel thresholding based satellite image segmentation approach using a new adaptive cuckoo search algorithm | |
JPWO2020255413A5 (ja) | データ解析装置、データ解析方法、及びプログラム | |
CN104899135B (zh) | 软件缺陷预测方法和*** | |
CN110910343A (zh) | 路面裂缝检测的方法、装置及计算机设备 | |
JP7131617B2 (ja) | 照明条件を設定する方法、装置、システム及びプログラム並びに記憶媒体 | |
CN107481218B (zh) | 图像美感评估方法及装置 | |
CN111191696B (zh) | 一种基于深度学习算法的钢筋分层方法及*** | |
CN111798417A (zh) | 一种基于ssd遥感图像目标检测的方法及装置 | |
JP7063389B2 (ja) | 処理装置、処理方法、およびプログラム | |
Shamir et al. | Automatic quantitative morphological analysis of interacting galaxies | |
CN103714254A (zh) | 飞机驾驶舱信息显示界面布局对飞行员情境意识影响特性的测定***和方法 | |
CN114945938A (zh) | 缺陷实际面积的检测方法、显示面板的检测方法及装置 | |
CN108509324A (zh) | 选择计算平台的***和方法 | |
JP7235111B2 (ja) | データ解析装置、データ解析方法、及びプログラム | |
Bowersox et al. | Measuring the abruptness of patchy ecotones–a simulation-based comparison of landscape pattern statistics | |
CN116757971A (zh) | 一种基于周围光的图像自动调整方法 | |
CN116778269A (zh) | 一种基于自编码器重构产品表面缺陷检测模型构建方法 | |
CN111158918A (zh) | 支撑点并行枚举负载均衡方法、装置、设备及介质 | |
JP2018523967A (ja) | 物体の時間的挙動を決定するための方法および装置 | |
JP7365633B2 (ja) | 車両シミュレーションシステム、車両シミュレーション方法およびコンピュータプログラム | |
US8437557B2 (en) | Auto classifying images as “image not available” images | |
CN111241725B (zh) | 基于条件生成对抗网络的结构响应重构方法 | |
JP7349626B2 (ja) | モデル生成装置、車両シミュレーションシステム、モデル生成方法、車両シミュレーション方法およびコンピュータプログラム | |
JP7424509B2 (ja) | 学習装置、識別装置、学習方法、識別方法、学習プログラム、及び識別プログラム |