时间序列数据特征量提取装置、时间序列数据特征量提取方法和时间序列数据特征量提取程序制造方法及图纸

时间序列数据特征量提取装置具备：数据加工部，基于受理的输入时间序列数据长度和受理的观测最小间隔来将受理的不等间隔时间序列数据组加工为包括缺损的等间隔时间序列数据组和表示缺损的有无的缺损信息组；模型学习部，针对模型，将所述包括缺损的等间隔时间序列数据组的矩阵的未缺损的要素与所述模型的输出层的输出结果的要素的差异作为误差，学习所述模型的各层的权重向量，将所述权重向量作为模型参数保存在存储部中；以及特征量提取部，受理特征量提取对象的时间序列数据，向所述模型输入所述受理的特征量提取对象的时间序列数据，由此，使用在所述存储部中保存的所述模型参数来计算所述模型的中间层的值，将所述计算出的中间层的值作为表示数据的随时间变化的特征量输出。

【技术实现步骤摘要】
【国外来华专利技术】时间序列数据特征量提取装置、时间序列数据特征量提取方法和时间序列数据特征量提取程序
本专利技术涉及时间序列数据特征量提取装置、时间序列数据特征量提取方法和时间序列数据特征量提取程序。本申请基于在2016年9月6日申请的日本特愿2016-174065号要求优先权，将其内容引用于此。
技术介绍
时间序列数据是指将由传感器观测到的值保持时间的顺序数据化后的数据。常常可能发生以下情况：由于某些情况而不能观测（测量）或者丢失观测（测量）的值而未以固定的时间间隔观测（测量）到时间序列数据。将这样的时间序列数据称为不等间隔时间序列数据。当列举不等间隔时间序列数据的一个例子时，假设在由“时刻”和“气温的观测值”构成的记录的组中，时刻和观测值的对为（10点、20度）、（11点、21度）、（12点、24度）、（14点、28度）、（17点、19度）。此时，观测时间的间隔存在1小时、2小时、3小时这3种，不为固定。当列举生成不等间隔时间序列数据的状况的例子时，在IoT（InternetofThings，物联网）/M2M（MachinetoMachine，机器对机器）环境中，发生了以下那样的现象。即，存在由于本文档来自技高网...

【技术保护点】
1.一种时间序列数据特征量提取装置，其中，具备：训练数据受理部，受理训练用的不等间隔时间序列数据组；模型设计受理部，受理输入时间序列数据长度、观测最小间隔和特征量提取尺寸；数据加工部，基于所述受理的输入时间序列数据长度和所述受理的观测最小间隔来将所述受理的不等间隔时间序列数据组加工为包括缺损的等间隔时间序列数据组和表示缺损的有无的缺损信息组；模型学习部，针对具有输入层、输出层和中间层的神经网络的模型即向所述输入层输入结合了所述包括缺损的等间隔时间序列数据组和所述表示缺损的有无的缺损信息组后的矩阵、从所述输出层输出输入时间序列数据长度的等间隔时间序列数据组的矩阵、所述受理的特征量提取尺寸为所述中...

【技术特征摘要】
【国外来华专利技术】2016.09.06 JP 2016-1740651.一种时间序列数据特征量提取装置，其中，具备：训练数据受理部，受理训练用的不等间隔时间序列数据组；模型设计受理部，受理输入时间序列数据长度、观测最小间隔和特征量提取尺寸；数据加工部，基于所述受理的输入时间序列数据长度和所述受理的观测最小间隔来将所述受理的不等间隔时间序列数据组加工为包括缺损的等间隔时间序列数据组和表示缺损的有无的缺损信息组；模型学习部，针对具有输入层、输出层和中间层的神经网络的模型即向所述输入层输入结合了所述包括缺损的等间隔时间序列数据组和所述表示缺损的有无的缺损信息组后的矩阵、从所述输出层输出输入时间序列数据长度的等间隔时间序列数据组的矩阵、所述受理的特征量提取尺寸为所述中间层的、所述模型，将所述包括缺损的等间隔时间序列数据组的矩阵的未缺损的要素与所述输出层的输出结果的要素的差异作为误差，学习所述模型的各层的权重向量，将所述权重向量作为模型参数保存在存储部中；以及特征量提取部，受理特征量提取对象的时间序列数据，向所述模型输入所述受理的特征量提取对象的时间序列数据，由此，使用在所述存储部中保存的所述模型参数来计算所述模型的中间层的值，将所述计算出的中间层的值作为表示数据的随时间变化的特征量输出。2.根据权利要求1所述的时间序列数据特征量提取装置，其中，所述特征量提取部将所述中间层的值与特征量被提取后的时间序列数据一起输出，进而，输出包括缺损的等间隔时间序...

【专利技术属性】
技术研发人员：仓泽央，林胜义，藤野昭典，小笠原隆行，山口真澄，冢田信吾，中岛宽，
申请(专利权)人：日本电信电话株式会社，
类型：发明
国别省市：日本,JP