ホーム > 特許ランキング > 合同会社リトルウイング
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2022155980
(43)【公開日】2022-10-14
(54)【発明の名称】時系列データ処理装置
(51)【国際特許分類】
G06N 3/04 20060101AFI20221006BHJP
【ＦＩ】
G06N3/04 190
【審査請求】未請求
【請求項の数】6
【出願形態】ＯＬ
(21)【出願番号】P 2021059456
(22)【出願日】2021-03-31
【国等の委託研究の成果に係る記載事項】（出願人による申告）２０１８年度、国立研究開発法人新エネルギー・産業技術総合開発機構「高効率・高速処理を可能とするＡＩチップ・次世代コンピューティングの技術開発 次世代コンピューティング技術の開発」委託研究、産業技術力強化法第１７条の適用を受ける特許出願
(71)【出願人】
【識別番号】521136068
【氏名又は名称】合同会社リトルウイング
(74)【代理人】
【識別番号】100137338
【弁理士】
【氏名又は名称】辻田 朋子
(72)【発明者】
【氏名】菅 真樹
(57)【要約】 （修正有）
【課題】一層の高速化及び省消費電力を図る時系列データ処理装置及び方法を提供する。
【解決手段】方法は、分割時系列データが外れ値を含むとき、外れ値を除去した後に分類識別子を付与し、外れ値の実データ及び外れ値の時間情報を送出し、分類識別子と分割時系列データの発生源情報及び時間情報と外れ値の実データと外れ値の時間情報との対応関係を格納部に保存するための第１格納処理を遂行し、複数の分割時系列データの実データを用いてリザバーネットワークの学習処理を遂行し、学習処理により得られた出力層についての学習済重み情報と、分割時系列データの実データに基づいて得られた分割時系列データ毎の初期値と、を分類識別子に関係付けて格納部に保存するための第２格納処理を遂行し、要求に応じて、分類識別子と学習済重み情報と分割時系列データ毎の初期値とに基づいて時系列データを推論で生成し、時系列データに外れ値を反映して出力する。
【選択図】図１
【解決手段】方法は、分割時系列データが外れ値を含むとき、外れ値を除去した後に分類識別子を付与し、外れ値の実データ及び外れ値の時間情報を送出し、分類識別子と分割時系列データの発生源情報及び時間情報と外れ値の実データと外れ値の時間情報との対応関係を格納部に保存するための第１格納処理を遂行し、複数の分割時系列データの実データを用いてリザバーネットワークの学習処理を遂行し、学習処理により得られた出力層についての学習済重み情報と、分割時系列データの実データに基づいて得られた分割時系列データ毎の初期値と、を分類識別子に関係付けて格納部に保存するための第２格納処理を遂行し、要求に応じて、分類識別子と学習済重み情報と分割時系列データ毎の初期値とに基づいて時系列データを推論で生成し、時系列データに外れ値を反映して出力する。
【選択図】図１
【特許請求の範囲】
【請求項1】
バッファ領域に一時的に蓄積されている時系列データを取得して時間の流れに沿って区分する分割部と；
前記分割部により区分された複数の分割時系列データについて分割時系列データ毎に分類識別子を付与し、
付与した前記分類識別子と、分割時系列データの発生源情報と、分割時系列データの時間情報とを送出し、
前記分割時系列データが外れ値を含むときは、前記外れ値を除去した後に前記分類識別子を付与し、前記外れ値の実データ及び前記外れ値の時間情報を更に送出する分類部と；
前記分類部によりそれぞれ送出された前記分類識別子と、前記分割時系列データの発生源情報と、前記分割時系列データの時間情報と、前記外れ値の実データと、前記外れ値の時間情報との対応関係を少なくとも１つの格納部に保存するための第１格納処理を遂行し、
前記分類部により送出される前記複数の分割時系列データの実データを用いて、入力層、リザバー層及び出力層を含むリザバーネットワークの学習処理を遂行し、
前記学習処理により得られた前記出力層についての学習済重み情報と、前記分割時系列データの実データに基づいて得られた分割時系列データ毎の初期値とを前記分類識別子に関係付けて前記格納部に保存するための第２格納処理を更に遂行する第１の処理部と；
要求に応じて、前記格納部に保存されている前記分類識別子と前記学習済重み情報と前記分割時系列データ毎の初期値とに基づいて前記時系列データを推論で生成し、生成した前記時系列データに前記外れ値の実データと前記外れ値の時間情報とにより前記外れ値を反映して出力する第２の処理部と；
を備える時系列データ処理装置。
前記分割部により区分された複数の分割時系列データについて分割時系列データ毎に分類識別子を付与し、
付与した前記分類識別子と、分割時系列データの発生源情報と、分割時系列データの時間情報とを送出し、
前記分割時系列データが外れ値を含むときは、前記外れ値を除去した後に前記分類識別子を付与し、前記外れ値の実データ及び前記外れ値の時間情報を更に送出する分類部と；
前記分類部によりそれぞれ送出された前記分類識別子と、前記分割時系列データの発生源情報と、前記分割時系列データの時間情報と、前記外れ値の実データと、前記外れ値の時間情報との対応関係を少なくとも１つの格納部に保存するための第１格納処理を遂行し、
前記分類部により送出される前記複数の分割時系列データの実データを用いて、入力層、リザバー層及び出力層を含むリザバーネットワークの学習処理を遂行し、
前記学習処理により得られた前記出力層についての学習済重み情報と、前記分割時系列データの実データに基づいて得られた分割時系列データ毎の初期値とを前記分類識別子に関係付けて前記格納部に保存するための第２格納処理を更に遂行する第１の処理部と；
要求に応じて、前記格納部に保存されている前記分類識別子と前記学習済重み情報と前記分割時系列データ毎の初期値とに基づいて前記時系列データを推論で生成し、生成した前記時系列データに前記外れ値の実データと前記外れ値の時間情報とにより前記外れ値を反映して出力する第２の処理部と；
を備える時系列データ処理装置。
【請求項2】
前記リザバーネットワークにおける前記リザバー層が物理デバイスにより構成される物理リザバー層であるとき、
前記第１の処理部は、前記第２格納処理において、リザバー演算器の種類を特定する情報を前記分類識別子に関係付けて前記格納部に更に保存し、
前記第２の処理部は、前記リザバー演算器の種類を特定する情報を更に参照して前記時系列データを推論で生成する、
請求項１記載の時系列データ処理装置。
前記第１の処理部は、前記第２格納処理において、リザバー演算器の種類を特定する情報を前記分類識別子に関係付けて前記格納部に更に保存し、
前記第２の処理部は、前記リザバー演算器の種類を特定する情報を更に参照して前記時系列データを推論で生成する、
請求項１記載の時系列データ処理装置。
【請求項3】
前記分割部は、取得した前記時系列データを予め定めた時間毎にまたはセグメンテーション処理により区分する、
請求項１または２記載の時系列データ処理装置。
請求項１または２記載の時系列データ処理装置。
【請求項4】
前記要求は前記分割時系列データの発生源情報及び前記分割時系列データの時間情報を特定する情報を含む、
請求項１、２または３記載の時系列データ処理装置。
請求項１、２または３記載の時系列データ処理装置。
【請求項5】
バッファ領域に一時的に蓄積されている時系列データを取得して時間の流れに沿って区分する分割ステップと；
前記分割ステップにより区分された複数の分割時系列データについて分割時系列データ毎に分類識別子を付与し、
付与した前記分類識別子と、分割時系列データの発生源情報と、分割時系列データの時間情報とを送出し、
前記分割時系列データが外れ値を含むときは、前記外れ値を除去した後に前記分類識別子を付与し、前記外れ値の実データ及び前記外れ値の時間情報を更に送出する分類ステップと；
前記分類ステップによりそれぞれ送出された前記分類識別子と、前記分割時系列データの発生源情報と、前記分割時系列データの時間情報と、前記外れ値の実データと、前記外れ値の時間情報との対応関係を少なくとも１つの格納部に保存するための第１格納処理を遂行し、
前記分類ステップにより送出される前記複数の分割時系列データの実データを用いて、入力層、リザバー層及び出力層を含むリザバーネットワークの学習処理を遂行し、
前記学習処理により得られた前記出力層についての学習済重み情報と、前記分割時系列データの実データに基づいて得られた分割時系列データ毎の初期値とを前記分類識別子に関係付けて前記格納部に保存するための第２格納処理を更に遂行する第１の処理ステップと；
要求に応じて、前記格納部に保存されている前記分類識別子と前記学習済重み情報と前記分割時系列データ毎の初期値とに基づいて前記時系列データを推論で生成し、生成した前記時系列データに前記外れ値の実データと前記外れ値の時間情報とにより前記外れ値を反映して出力する第２の処理ステップと；
を備える時系列データ処理方法。
前記分割ステップにより区分された複数の分割時系列データについて分割時系列データ毎に分類識別子を付与し、
付与した前記分類識別子と、分割時系列データの発生源情報と、分割時系列データの時間情報とを送出し、
前記分割時系列データが外れ値を含むときは、前記外れ値を除去した後に前記分類識別子を付与し、前記外れ値の実データ及び前記外れ値の時間情報を更に送出する分類ステップと；
前記分類ステップによりそれぞれ送出された前記分類識別子と、前記分割時系列データの発生源情報と、前記分割時系列データの時間情報と、前記外れ値の実データと、前記外れ値の時間情報との対応関係を少なくとも１つの格納部に保存するための第１格納処理を遂行し、
前記分類ステップにより送出される前記複数の分割時系列データの実データを用いて、入力層、リザバー層及び出力層を含むリザバーネットワークの学習処理を遂行し、
前記学習処理により得られた前記出力層についての学習済重み情報と、前記分割時系列データの実データに基づいて得られた分割時系列データ毎の初期値とを前記分類識別子に関係付けて前記格納部に保存するための第２格納処理を更に遂行する第１の処理ステップと；
要求に応じて、前記格納部に保存されている前記分類識別子と前記学習済重み情報と前記分割時系列データ毎の初期値とに基づいて前記時系列データを推論で生成し、生成した前記時系列データに前記外れ値の実データと前記外れ値の時間情報とにより前記外れ値を反映して出力する第２の処理ステップと；
を備える時系列データ処理方法。
【請求項6】
バッファ領域に一時的に蓄積されている時系列データを取得して時間の流れに沿って区分する分割ステップと；
前記分割ステップにより区分された複数の分割時系列データについて分割時系列データ毎に分類識別子を付与し、
付与した前記分類識別子と、分割時系列データの発生源情報と、分割時系列データの時間情報とを送出し、
前記分割時系列データが外れ値を含むときは、前記外れ値を除去した後に前記分類識別子を付与し、前記外れ値の実データ及び前記外れ値の時間情報を更に送出する分類ステップと；
前記分類ステップによりそれぞれ送出された前記分類識別子と、前記分割時系列データの発生源情報と、前記分割時系列データの時間情報と、前記外れ値の実データと、前記外れ値の時間情報との対応関係を少なくとも１つの格納部に保存するための第１格納処理を遂行し、
前記分類ステップにより送出される前記複数の分割時系列データの実データを用いて、入力層、リザバー層及び出力層を含むリザバーネットワークの学習処理を遂行し、
前記学習処理により得られた前記出力層についての学習済重み情報と、前記分割時系列データの実データに基づいて得られた分割時系列データ毎の初期値とを前記分類識別子に関係付けて前記格納部に保存するための第２格納処理を更に遂行する第１の処理ステップと；
要求に応じて、前記格納部に保存されている前記分類識別子と前記学習済重み情報と前記分割時系列データ毎の初期値とに基づいて前記時系列データを推論で生成し、生成した前記時系列データに前記外れ値の実データと前記外れ値の時間情報とにより前記外れ値を反映して出力する第２の処理ステップと；
をコンピュータに実行させる時系列データ処理プログラム。
前記分割ステップにより区分された複数の分割時系列データについて分割時系列データ毎に分類識別子を付与し、
付与した前記分類識別子と、分割時系列データの発生源情報と、分割時系列データの時間情報とを送出し、
前記分割時系列データが外れ値を含むときは、前記外れ値を除去した後に前記分類識別子を付与し、前記外れ値の実データ及び前記外れ値の時間情報を更に送出する分類ステップと；
前記分類ステップによりそれぞれ送出された前記分類識別子と、前記分割時系列データの発生源情報と、前記分割時系列データの時間情報と、前記外れ値の実データと、前記外れ値の時間情報との対応関係を少なくとも１つの格納部に保存するための第１格納処理を遂行し、
前記分類ステップにより送出される前記複数の分割時系列データの実データを用いて、入力層、リザバー層及び出力層を含むリザバーネットワークの学習処理を遂行し、
前記学習処理により得られた前記出力層についての学習済重み情報と、前記分割時系列データの実データに基づいて得られた分割時系列データ毎の初期値とを前記分類識別子に関係付けて前記格納部に保存するための第２格納処理を更に遂行する第１の処理ステップと；
要求に応じて、前記格納部に保存されている前記分類識別子と前記学習済重み情報と前記分割時系列データ毎の初期値とに基づいて前記時系列データを推論で生成し、生成した前記時系列データに前記外れ値の実データと前記外れ値の時間情報とにより前記外れ値を反映して出力する第２の処理ステップと；
をコンピュータに実行させる時系列データ処理プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、時系列データ処理装置に関し、更には、時系列データ処理方法及び時系列データ処理プログラムに関する。
【背景技術】
【0002】
近年、時系列データベース（time series database）に関する研究開発が推進されている。時系列データベースは、特定の時間毎に取得した一連の値である時系列データの処理及び格納（保存）に特化したデータベースである。時系列データは、統計学や信号処理で時間経過に従って計測されるデータ列であり、時間情報(タイムスタンプ)を有する。
【0003】
大量のデータを処理及び格納する必要がある時系列データベースにおいては、時系列データの符号化手法（例えば、double-delta-encoding、XOR encoding）や、メモリもしくはストレージの使用法などのアーキテクチャを工夫することにより、ストレージ容量の節約や、データ解析時に使用するメモリ量の削減などを図っている。
【0004】
しかし、上述したような時系列データの符号化手法を適用し、データを圧縮して格納する方法では、圧縮効率には限界があるため、データの増加に比例して記憶領域を必要とすることは変わらない。
【0005】
上述したような時系列データベースに代替可能なリザバーコンピューティング（Reservoir Computing）技術を用いて時系列データを処理するニューラルネットワーク系情報処理装置の一例が、例えば、特許文献１において提案されている。
【先行技術文献】
【特許文献】
【0006】
【特許文献1】特開２０２０－７１７５５号公報
【発明の概要】
【発明が解決しようとする課題】
【0007】
しかし、上記特許文献１においては、リザバーコンピューティング技術との連携により、ある程度の精度の大まかな時系列データを推論で生成して出力する時系列データ処理については開示されていない。
【0008】
課題は、リザバーコンピューティング技術との連携により、処理の一層の高速化及び省消費電力を図るために、ある程度の精度の大まかな時系列データを推論で生成して出力する時系列データ処理技術を提供することにある。
【課題を解決するための手段】
【0009】
上記課題を解決するために、一態様の時系列データ処理装置は、バッファ領域に一時的に蓄積されている時系列データを取得して時間の流れに沿って区分する分割部と；前記分割部により区分された複数の分割時系列データについて分割時系列データ毎に分類識別子を付与し、付与した前記分類識別子と、分割時系列データの発生源情報と、分割時系列データの時間情報とを送出し、前記分割時系列データが外れ値を含むときは、前記外れ値を除去した後に前記分類識別子を付与し、前記外れ値の実データ及び前記外れ値の時間情報を更に送出する分類部と；前記分類部によりそれぞれ送出された前記分類識別子と、前記分割時系列データの発生源情報と、前記分割時系列データの時間情報と、前記外れ値の実データと、前記外れ値の時間情報との対応関係を少なくとも１つの格納部に保存するための第１格納処理を遂行し、前記分類部により送出される前記複数の分割時系列データの実データを用いて、入力層、リザバー層及び出力層を含むリザバーネットワークの学習処理を遂行し、前記学習処理により得られた前記出力層についての学習済重み情報と、前記分割時系列データの実データに基づいて得られた分割時系列データ毎の初期値とを前記分類識別子に関係付けて前記格納部に保存するための第２格納処理を更に遂行する第１の処理部と；要求に応じて、前記格納部に保存されている前記分類識別子と前記学習済重み情報と前記分割時系列データ毎の初期値とに基づいて前記時系列データを推論で生成し、生成した前記時系列データに前記外れ値の実データと前記外れ値の時間情報とにより前記外れ値を反映して出力する第２の処理部と；を備える。
【0010】
一態様において、前記リザバーネットワークにおける前記リザバー層が物理デバイスにより構成される物理リザバー層であるとき、前記第１の処理部は、前記第２格納処理において、リザバー演算器の種類を特定する情報を前記分類識別子に関係付けて前記格納部に更に保存し、前記第２の処理部は、前記リザバー演算器の種類を特定する情報を更に参照して前記時系列データを推論で生成する。
【0011】
一態様において、前記分割部は、取得した前記時系列データを予め定めた時間毎にまたはセグメンテーション処理により区分する。
【0012】
一態様において、前記要求は前記分割時系列データの発生源情報及び前記分割時系列データの時間情報を特定する情報を含む。
【0013】
他の態様の時系列データ処理方法は、バッファ領域に一時的に蓄積されている時系列データを取得して時間の流れに沿って区分する分割ステップと；前記分割ステップにより区分された複数の分割時系列データについて分割時系列データ毎に分類識別子を付与し、付与した前記分類識別子と、分割時系列データの発生源情報と、分割時系列データの時間情報とを送出し、前記分割時系列データが外れ値を含むときは、前記外れ値を除去した後に前記分類識別子を付与し、前記外れ値の実データ及び前記外れ値の時間情報を更に送出する分類ステップと；前記分類ステップによりそれぞれ送出された前記分類識別子と、前記分割時系列データの発生源情報と、前記分割時系列データの時間情報と、前記外れ値の実データと、前記外れ値の時間情報との対応関係を少なくとも１つの格納部に保存するための第１格納処理を遂行し、前記分類ステップにより送出される前記複数の分割時系列データの実データを用いて、入力層、リザバー層及び出力層を含むリザバーネットワークの学習処理を遂行し、前記学習処理により得られた前記出力層についての学習済重み情報と、前記分割時系列データの実データに基づいて得られた分割時系列データ毎の初期値とを前記分類識別子に関係付けて前記格納部に保存するための第２格納処理を更に遂行する第１の処理ステップと；要求に応じて、前記格納部に保存されている前記分類識別子と前記学習済重み情報と前記分割時系列データ毎の初期値とに基づいて前記時系列データを推論で生成し、生成した前記時系列データに前記外れ値の実データと前記外れ値の時間情報とにより前記外れ値を反映して出力する第２の処理ステップと；を備える。
【0014】
更に他の態様においては、時系列データ処理プログラムとして実施可能である。
【発明の効果】
【0015】
開示した技術によれば、リザバーコンピューティング技術と連携し、ある程度の精度の大まかな時系列データを推論で生成して出力することにより、処理の一層の高速化及び省消費電力を図れる時系列データ処理技術を提供することができる。
【0016】
他の課題、特徴及び利点は、図面及び特許請求の範囲とともに取り上げられる際に、以下に記載される発明を実施するための形態を読むことにより明らかになるであろう。
【図面の簡単な説明】
【0017】
【図1】一実施の形態の時系列データ処理装置の構成を示すブロック図。
【図2】一実施の形態における分割時系列データを説明するための図。
【図3】一実施の形態における分割時系列データを説明するための図。
【図4】一実施の形態における外れ値を説明するための図。
【図5】一実施の形態におけるリザバーネットワークを説明するための図。
【図6】一実施の形態におけるメタデータ格納部を説明するための図。
【図7】一実施の形態における時系列データ処理を説明するための図。
【図8】一実施の形態における時系列データ処理を説明するための図。
【発明を実施するための形態】
【0018】
以下、添付図面を参照して、さらに詳細に説明する。図面には好ましい実施形態が示されている。しかし、多くの異なる形態で実施されることが可能であり、本明細書に記載される実施形態に限定されない。
【0019】
［時系列データ処理装置］
一実施の形態における時系列データ処理装置１は、リザバーコンピューティング技術と連携し、ある程度の精度の大まかな時系列データを推論で生成して出力することにより、処理の一層の高速化及び省消費電力を図れる時系列データ処理技術を提供する装置である。
一実施の形態における時系列データ処理装置１は、リザバーコンピューティング技術と連携し、ある程度の精度の大まかな時系列データを推論で生成して出力することにより、処理の一層の高速化及び省消費電力を図れる時系列データ処理技術を提供する装置である。
【0020】
一実施の形態における時系列データ処理装置１は、図１に例示するように、機能構成要素を備えている。つまり、時系列データ処理装置１は、後に詳述する機能構成要素として、時系列データ受信部１１、時系列データ処理部１２、時系列データ格納部１３、時系列データ分割部１４、時系列データ分類部１５、機械学習部１６、メタデータ処理部１７、メタデータ格納部１８、重み処理部１９、重み格納部２０、外れ値処理部２１、及び外れ値格納部２２を含む。時系列データ処理装置１は、アクセス受付部２３、重み取得部２４、及び推論部２５を更に含む。
【0021】
また、この時系列データ処理装置１は、情報処理装置として機能するパーソナルコンピュータなどと同様に通常のハードウェア構成要素を備えている。つまり、時系列データ処理装置１は、ハードウェア構成要素として、プロセッサとしてのＣＰＵ（Central Processing Unit）と、作業用メモリとしてのＲＡＭ（Random Access Memory）と、立ち上げのためのブートプログラムを格納したＲＯＭ（Read Only Memory）とを含む。
【0022】
時系列データ処理装置１は、ＯＳ（Operating System）、アプリケーションプログラム、及び各種情報（データを含む）を書換え可能に格納する不揮発性メモリと、通信制御部と、通信インタフェース部とを更に含む。
【0023】
時系列データ処理装置１は、必要に応じて、表示制御部と、表示部と、情報入力・指定部などとを更に含んでもよい。なお、これらのハードウェア構成要素は、当業者が容易に理解でき、実施可能であるので、ここでは図示を省略している。
【0024】
一例であるが、時系列データ処理装置１において上述した機能構成要素を論理的に実現するには、不揮発性メモリに時系列データ処理プログラムをアプリケーションプログラムとしてインストールする。そして、時系列データ処理装置１においては、利用者による指示または電源投入を契機に、プロセッサ（ＣＰＵ）が時系列データ処理プログラムをＲＡＭに展開して実行する。この時系列データ処理プログラムが上述したハードウェア構成要素などと協働することにより、後に詳述する時系列データ処理が遂行される。
【0025】
図１及び関連図を参照して詳述すると、時系列データ処理装置１における時系列データ受信部１１は、時系列データを生成する装置（単に、時系列データ生成装置と記載することもある）から外れ値を含む時系列データ（限定を要しないときは、単に、時系列データと記載する）を直接的にまたは間接的に収集するための通信インタフェースである。なお、外れ値（outlier）は、統計学において、他の値から大きく外れた値（離れた値）のことであり、時系列データとして推論するのが難しい（図４参照）。
【0026】
ここでは、時系列データ受信部１１は、例えば、複数の測定源を構成する各種センサーなどの時系列データ生成装置から送信された測定データ（音声データ、文字データ、及び画像データの少なくとも１つを含む）を時系列データ（入力時系列データ）として、時系列データ処理装置１におけるハードウェア構成要素であるネットワークインタフェースカード（ＮＩＣ：Network Interface Card）などの通信インタフェース部により直接的に受信する。
【0027】
しかし、時系列データ受信部１１は次に示すような数々の時系列データ受信形態などを変形として採ることが可能である。つまり、時系列データ受信部１１は、同様の測定データを時系列データとして、ホストコンピュータを介して時系列データ処理装置１における通信インタフェース部により間接的に受信してもよい。また、時系列データが外部配置の記憶装置またはセンサーのローカル記憶装置などに格納されているときは、時系列データ受信部１１はこれらの記憶装置にアクセスして時系列データを取得（受信）することも可能である。
【0028】
時系列データ受信部１１がこれらの時系列データ受信形態のいずれを採るかは、時系列データ処理装置１を統括制御するプロセッサ実行の時系列データ処理プログラムにより予め定義可能である。
【0029】
時系列データ処理部１２は時系列データ受信部１１により受信された時系列データを時系列データ格納部１３のバッファ領域に一時的に蓄積する。時系列データ処理部１２は時系列データ格納部１３のバッファ領域に蓄積される時系列データの滞留量を検知する機能を有する。
【0030】
ここでは、時系列データ処理部１２は時系列データ処理装置１を統括制御するプロセッサ実行の時系列データ処理プログラムにより構成可能である。また、時系列データ格納部１３は時系列データ処理装置１におけるハードウェア構成要素であるＤＲＡＭ（Dynamic Random Access Memory）及びＨＤＤ（Hard Disk Drive）などのいずれかにより構成可能である。
【0031】
しかし、時系列データ格納部１３については、ネットワークインタフェースカード（ＮＩＣ）に搭載されているデバイスの記憶素子（ＤＲＡＭ、不揮発性メモリなど）を利用する、及び外部配置の記憶装置またはセンサーのローカル記憶装置を利用するなど、当業者が容易に実施可能な他の変形構成を採ってもよい。
【0032】
時系列データ分割部１４は、時系列データ処理部１２を介して時系列データ格納部１３から時系列データを取得し、予め定めた時間毎にまたはセグメンテーション処理により、取得した時系列データを時間の流れに沿って区分（分割）する。
【0033】
時系列データ分類部１５は、時系列データ分割部１４により区分された複数の分割時系列データについて分割時系列データ毎に分類ラベルを分類識別子として付与する。また、時系列データ分類部１５は、分割時系列データが外れ値を含むときは、外れ値を除去した後に分類し、分類ラベルを分類識別子として付与する。
【0034】
この時系列データ分類部１５には、例えば、時系列データ同士の距離及び類似度を求めるための手法である動的時間伸縮法（ＤＴＷ：Dynamic Time Warping）を適用可能である。つまり、時系列データ分類部１５においては、時系列データを１次元ベクトル化してクラスタリングしておき、動的時間伸縮法で相違度を計算して一番近いものを選ぶことになる。
【0035】
図２に示すように、単純な例としては、時系列データ分割部１４により時系列データを予め定めた時間毎に区切り、時系列データ分類部１５により分割時系列データ毎に分類ラベルＡ，Ｂ，Ｃが付与される。
【0036】
また、図３に示すように、複雑な例としては、時系列データ分割部１４により時系列データの特徴パターンに応じてオーバラップして抽出してセグメンテーション処理した後、時系列データ分類部１５により分割時系列データ毎に分類ラベルＡ，Ｂ，Ｃが付与される。
【0037】
時系列データ分割部１４及び時系列データ分類部１５がこれらの動作モードのいずれを採るかは、時系列データ処理装置１を統括制御するプロセッサ実行の時系列データ処理プログラムにより予め定義可能である。
【0038】
更に詳述すると、時系列データ分類部１５は、時系列データ分割部１４により区分された分割時系列データが外れ値を含むことを予め定めたルールに基づいて識別したときは、外れ値を除去した後に分類し、分類ラベルを分類識別子として付与する。ここで、予め定めたルールの例としては、データ期間の中間値からＸ倍以上異なる値、及び時系列データの傾向（上昇、下降など）からＸ倍以上異なる値などが適用可能である。また、データソースに対応する測定源の種類などによってそのルールを予め定めてもよい。
【0039】
時系列データ分類部１５は、外れ値の除去に関わりなく、分割時系列データの発生源情報及び分割時系列データのタイミングを特定する時間情報を含む分割時系列データ特定情報と、分類識別子としての分類ラベルとをメタデータ（metadata）として機械学習部１６に対して送出する。また、時系列データ分類部１５は、分割時系列データから外れ値を除去したときは、外れ値の実データ及び外れ値のタイミングを指定する情報（外れ値の時間情報）をメタデータとして機械学習部１６に対して更に送出する。
【0040】
上述したように、時系列データ分類部１５は、分割時系列データが外れ値を含むときは、外れ値を除去した後に分類処理し、上記メタデータを機械学習部１６に対して送出する。つまり、外れ値を学習及び推論して再現しようとすると、外れ値に引っ張られて学習済モデルに影響してしまうため、外れ値を別途保存しておく。これにより、推論で生成される時系列データの精度を向上することができる。また、分類識別子の種類を抑制するので、メタデータ格納部１８の記憶容量を削減することができる。
【0041】
機械学習部１６は、格納処理部１６Ａ、学習処理部１６Ｂ、及びリザバーネットワーク１６Ｃを含む。格納処理部１６Ａは、時系列データ分類部１５によりそれぞれ送出された分類識別子としての分類ラベルと、分割時系列データの発生源情報と、分割時系列データの時間情報と、外れ値の実データと、外れ値の時間情報との対応関係をメタデータ格納部１８及び外れ値格納部２２に保存するための第１格納処理を遂行する。
【0042】
学習処理部１６Ｂは、時系列データ分類部１５により送出される複数の分割時系列データの実データを用いて、入力層、リザバー層及び出力層を含むリザバーネットワーク１６Ｃの学習処理を遂行する。学習処理部１６Ｂは、時系列データ格納部１３に充分な時系列データが格納されたタイミングを契機に、一括で学習処理を行う。学習処理部１６Ｂは、例えば、時系列データ格納部１３における時系列データの滞留量を検知する時系列データ処理部１２からの通知によりこのタイミングを認識する。なお、ハイパーパラメータの探索などはこの学習処理内で行い、それに合わせてリザバーネットワーク１６を構築してもよい。
【0043】
格納処理部１６Ａは、学習処理部１６Ｂの学習処理により得られたリザバーネットワーク１６Ｃの出力層についての学習済重み情報と、分割時系列データの実データに基づいて得られた分割時系列データ毎の初期値（時系列データを推論で生成するための初期値）とを分類識別子としての分類ラベルに関係付けてメタデータ格納部１８及び重み格納部２０に保存するための第２格納処理を更に遂行する。格納処理部１６Ａ及び学習処理部１６Ｂは、時系列データ処理装置１を統括制御するプロセッサ実行の時系列データ処理プログラムにより構成可能である。
【0044】
図５に例示するように、リザバーネットワーク１６Ｃは、入力層、リザバー層（ため池とも称される）、及び出力層（リードアウト層とも称される）の３層から構成され、時系列データを教師信号（既知の望ましい手本データ）で高速に機械学習（深層学習）することに適したリザバーコンピューティングモデルである。
【0045】
つまり、リザバーネットワーク１６Ｃは、入力層とリザバー層との間の重み（Ｗｉｎ）及びリザバー層内の重み（Ｗｒｅｓ）を固定し、線形回帰法によってリザバー層と出力層との間の重み（Ｗｏｕｔ）だけをフィードバックされる誤差（Ｗｂａｃｋ）により変更させて学習するリザバーコンピューティングのアルゴリズムを採用したエコーステートネットワークである。
【0046】
これにより、リザバーネットワーク１６Ｃは、例えば、一般のリカレントニューラルネットワーク（再帰型ニューラルネットワーク）に対比して、重みを調整する箇所が少ないので高速な学習が可能になる。また、リザバーネットワーク１６Ｃは、シンプルな構造であるので、専用デバイス化が容易であり、高速化及び省消費電力に寄与する。
【0047】
メタデータ処理部１７は、機械学習部１６から受信した、分割時系列データの発生源情報及び分割時系列データの時間情報を含む分割時系列データ特定情報と、分類ラベル（分類識別子）と、分割時系列データ毎の初期値と、外れ値情報と、学習済重み情報との対応関係をメタデータ格納部１８に保存する（図６参照）。このメタデータ処理部１７は時系列データ処理装置１を統括制御するプロセッサ実行の時系列データ処理プログラムにより構成可能である。
【0048】
ここでは、機械学習部１６は、重み格納部２０における学習済重み情報（多次元変数情報）の記録位置（レコードなど）を示す識別子をメタデータ処理部１７を介してメタデータ格納部１８に保存させる。また、機械学習部１６は、外れ値格納部２２における外れ値情報（外れ値の実データ及び外れ値の時間情報を含む）の記録位置（レコードなど）を示す識別子をメタデータ処理部１７を介してメタデータ格納部１８に保存させる。
【0049】
図６に示すメタデータの格納例においては、分割時系列データ特定情報は、例えば、センサーＡの時刻Ａから時刻Ｂの間のデータを時系列データの発生源及び時系列データのタイミングを指定する時間情報として含む。また、分割時系列データ毎の初期値は、例えば、センサーＡの時刻Ａから時刻Ｂの間のデータである場合、時刻Ａの時点での値である。なお、メタデータの格納方法については、当業者が容易に実施可能な他の変形構成を採ってもよい。
【0050】
図６に示すメタデータの格納例においては、分類ラベル毎に、リザバーネットワーク１６Ｃにおける演算のためのリザバー種類及び学習済重み情報の対応を記録している。リザバー演算機能を汎用演算器で実現する際には、リザバー内部状態を記録しておく必要があるためこれを記録する。内部状態が変更されない物理リザバー演算器を用いる場合には、演算器の種類を特定する情報を記録することになる。
【0051】
重み処理部１９は、機械学習部１６におけるリザバーネットワーク１６Ｃのリザバー演算器に渡す学習済みモデル（リザバー種類及び学習済重み情報を含む）を重み格納部２０に格納する。学習済みモデルをファイルとして保存する場合には、ファイルシステムを備えた記憶装置によって実現する。ここでは、重み処理部１９は時系列データ処理装置１を統括制御するプロセッサ実行の時系列データ処理プログラムにより構成可能である。
【0052】
外れ値処理部２１は、機械学習部１６から受信した外れ値の実データ及び外れ値の時間情報を含む外れ値情報を外れ値格納部２２に保存する。この外れ値処理部２１は時系列データ処理装置１を統括制御するプロセッサ実行の時系列データ処理プログラムにより構成可能である。
【0053】
時系列データ処理装置１におけるアクセス受付部２３、重み取得部２４、及び推論部２５は、外部からのアクセスリクエスト（単に、要求と記載することもある）に応じて、各格納部に保存されている分類識別子（分類ラベル）と学習済重み情報と分割時系列データ毎の初期値とに基づいて時系列データを推論で生成し、該当するときは、生成した時系列データに外れ値の実データと外れ値の時間情報とにより外れ値を反映して出力する。
【0054】
詳述すると、アクセス受付部２３は、クライアントコンピュータなどの時系列データを取得する装置（単に、時系列データ取得装置と記載することもある）から時系列データ読込系統のアクセスリクエストを受け付ける（受信する）。ここでは、このアクセス受付部２３は時系列データ処理装置１を統括制御するプロセッサ実行の時系列データ処理プログラムにより構成可能である。
【0055】
このアクセスリクエストには、時系列データ読込系統に対応する分割時系列データ特定情報が含まれ、分割時系列データ特定情報は分割時系列データの発生源及び分割時系列データのタイミングを指定する時間情報を含む。つまり、例えば、センサーＡのある時刻からある時刻までのデータという内容になる。なお、ＳＱＬ（Structured Query Language）命令であれば、テーブルの種類や取得データ範囲を含むことになる。
【0056】
重み取得部２４は、メタデータ処理部１７を介してメタデータ格納部１８にアクセスし、アクセス受付部２３が受信したアクセスリクエストの分割時系列データ特定情報に対応する分類識別子を取得すると共に、対応する分割時系列データ毎の初期値及び対応する外れ値情報を取得する。
【0057】
また、重み取得部２４は、この分類識別子を用いて重み処理部１９を介して重み格納部２０にアクセスし、時系列データ生成に必要な学習済重み情報を取得する。この学習済重み情報は、機械学習部１６におけるリザバーネットワーク１６Ｃの出力層についての重みである。ここでは、この重み取得部２４は時系列データ処理装置１を統括制御するプロセッサ実行の時系列データ処理プログラムにより構成可能である。
【0058】
推論部２５は、重み取得部２４が取得したリザバーネットワーク１６Ｃの学習済重み情報及び時系列データ生成に必要な分割時系列データ毎の初期値を受信し、推論処理を繰り返して遂行し、時系列データ（出力時系列データ）を生成する。
【0059】
また、推論部２５は、重み取得部２４が取得した外れ値情報に基づいて、外れ値処理部２１を介して外れ値格納部２２から外れ値の実データと外れ値の時間情報とを含む該当する外れ値を取得し、生成した時系列データに外れ値を反映して出力する。
【0060】
ここでは、推論部２５は時系列データ処理装置１を統括制御するプロセッサ実行の時系列データ処理プログラムにより構成可能である。ただし、リザバー演算を実現可能な任意の特殊演算器を併用してもよい。
【0061】
［時系列データ処理］
次に、上述した時系列データ処理装置１における動作について、図１、図７及び図８を参照して説明する。時系列データ処理装置１においては、利用者による指示または電源投入を契機に、時系列データ処理プログラムが起動され、次に述べる処理の遂行を統括制御する。
次に、上述した時系列データ処理装置１における動作について、図１、図７及び図８を参照して説明する。時系列データ処理装置１においては、利用者による指示または電源投入を契機に、時系列データ処理プログラムが起動され、次に述べる処理の遂行を統括制御する。
【0062】
図７は上述した時系列データ処理装置１における時系列データ格納処理及び学習処理のシーケンスの一例を示す。
【0063】
［処理Ｓ７１］時系列データを受信してバッファ領域に一時的に蓄積する。
つまり、時系列データ受信部１１が時系列データを受信し、時系列データ処理部１２が受信された時系列データを時系列データ格納部１３のバッファ領域に一時的に蓄積する。
つまり、時系列データ受信部１１が時系列データを受信し、時系列データ処理部１２が受信された時系列データを時系列データ格納部１３のバッファ領域に一時的に蓄積する。
【0064】
［処理Ｓ７２］時系列データを取得して区分する。
つまり、時系列データ分割部１４が時系列データ処理部１２を介して時系列データ格納部１３から時系列データを取得して区分する。
つまり、時系列データ分割部１４が時系列データ処理部１２を介して時系列データ格納部１３から時系列データを取得して区分する。
【0065】
［処理Ｓ７３］分割時系列データ毎に分類ラベルを付与する。
つまり、時系列データ分類部１５が時系列データ分割部１４により区分された複数の分割時系列データについて分割時系列データ毎に分類ラベルを付与する。また、時系列データ分類部１５は、分割時系列データが外れ値を含むときは、外れ値を除去した後に分類し、分類ラベルを付与する。
つまり、時系列データ分類部１５が時系列データ分割部１４により区分された複数の分割時系列データについて分割時系列データ毎に分類ラベルを付与する。また、時系列データ分類部１５は、分割時系列データが外れ値を含むときは、外れ値を除去した後に分類し、分類ラベルを付与する。
【0066】
［処理Ｓ７４］第１格納処理を遂行する。
つまり、格納処理部１６Ａが、時系列データ分類部１５によりそれぞれ送出された分類識別子としての分類ラベルと、分割時系列データの発生源情報と、分割時系列データの時間情報と、外れ値の実データと、外れ値の時間情報との対応関係をメタデータ格納部１８及び外れ値格納部２２に保存するための第１格納処理を遂行する。
つまり、格納処理部１６Ａが、時系列データ分類部１５によりそれぞれ送出された分類識別子としての分類ラベルと、分割時系列データの発生源情報と、分割時系列データの時間情報と、外れ値の実データと、外れ値の時間情報との対応関係をメタデータ格納部１８及び外れ値格納部２２に保存するための第１格納処理を遂行する。
【0067】
［処理Ｓ７５］学習処理を遂行する。
つまり、学習処理部１６Ｂが、時系列データ分類部１５により送出される複数の分割時系列データの実データを用いて、リザバーネットワーク１６Ｃの学習処理を遂行する。
つまり、学習処理部１６Ｂが、時系列データ分類部１５により送出される複数の分割時系列データの実データを用いて、リザバーネットワーク１６Ｃの学習処理を遂行する。
【0068】
［処理Ｓ７６］第２格納処理を遂行する。
つまり、格納処理部１６Ａが、学習処理部１６Ｂの学習処理により得られたリザバーネットワーク１６Ｃの出力層についての学習済重み情報と、分割時系列データの実データに基づいて得られた分割時系列データ毎の初期値とを分類ラベルに関係付けてメタデータ格納部１８及び重み格納部２０に保存するための第２格納処理を遂行する。
つまり、格納処理部１６Ａが、学習処理部１６Ｂの学習処理により得られたリザバーネットワーク１６Ｃの出力層についての学習済重み情報と、分割時系列データの実データに基づいて得られた分割時系列データ毎の初期値とを分類ラベルに関係付けてメタデータ格納部１８及び重み格納部２０に保存するための第２格納処理を遂行する。
【0069】
［処理Ｓ７７］情報の対応関係をメタデータ格納部に保存する。
つまり、メタデータ処理部１７は、機械学習部１６から受信した、分割時系列データの発生源情報及び分割時系列データの時間情報を含む分割時系列データ特定情報と、分類ラベルと、分割時系列データ毎の初期値と、外れ値情報と、学習済重み情報との対応関係をメタデータ格納部１８に保存する。
つまり、メタデータ処理部１７は、機械学習部１６から受信した、分割時系列データの発生源情報及び分割時系列データの時間情報を含む分割時系列データ特定情報と、分類ラベルと、分割時系列データ毎の初期値と、外れ値情報と、学習済重み情報との対応関係をメタデータ格納部１８に保存する。
【0070】
［処理Ｓ７８］学習済みモデルを重み格納部に格納する。
つまり、重み処理部１９が、リザバーネットワーク１６Ｃのリザバー演算器に渡す学習済みモデル（リザバー種類及び学習済重み情報を含む）を重み格納部２０に格納する。
つまり、重み処理部１９が、リザバーネットワーク１６Ｃのリザバー演算器に渡す学習済みモデル（リザバー種類及び学習済重み情報を含む）を重み格納部２０に格納する。
【0071】
［処理Ｓ７９］外れ値情報を外れ値格納部に保存する。
つまり、外れ値処理部２１は、機械学習部１６から受信した外れ値の実データ及び外れ値の時間情報を含む外れ値情報を外れ値格納部２２に保存する。
つまり、外れ値処理部２１は、機械学習部１６から受信した外れ値の実データ及び外れ値の時間情報を含む外れ値情報を外れ値格納部２２に保存する。
【0072】
図８は上述した時系列データ処理装置１における時系列データ生成処理のシーケンスの一例を示す。
【0073】
［処理Ｓ８１］アクセスリクエストを受信する。
つまり、アクセス受付部２３が、時系列データ取得装置から時系列データ読込系統のアクセスリクエストを受信する。
つまり、アクセス受付部２３が、時系列データ取得装置から時系列データ読込系統のアクセスリクエストを受信する。
【0074】
［処理Ｓ８２］分類識別子、初期値及び外れ値情報を取得する。
つまり、重み取得部２４が、メタデータ処理部１７を介してメタデータ格納部１８にアクセスし、アクセス受付部２３が受信したアクセスリクエストの分割時系列データ特定情報に対応する分類識別子を取得すると共に、対応する分割時系列データ毎の初期値及び対応する外れ値情報を取得する。
つまり、重み取得部２４が、メタデータ処理部１７を介してメタデータ格納部１８にアクセスし、アクセス受付部２３が受信したアクセスリクエストの分割時系列データ特定情報に対応する分類識別子を取得すると共に、対応する分割時系列データ毎の初期値及び対応する外れ値情報を取得する。
【0075】
［処理Ｓ８３］学習済重み情報を取得する。
つまり、重み取得部２４が、この分類識別子を用いて重み処理部１９を介して重み格納部２０にアクセスし、時系列データ生成に必要な学習済重み情報を取得する。
つまり、重み取得部２４が、この分類識別子を用いて重み処理部１９を介して重み格納部２０にアクセスし、時系列データ生成に必要な学習済重み情報を取得する。
【0076】
［処理Ｓ８４］時系列データを生成する。
つまり、推論部２５は、重み取得部２４が取得したリザバーネットワーク１６Ｃの学習済重み情報及び時系列データ生成に必要な分割時系列データ毎の初期値を受信し、推論処理を繰り返して遂行し、時系列データを生成する。
つまり、推論部２５は、重み取得部２４が取得したリザバーネットワーク１６Ｃの学習済重み情報及び時系列データ生成に必要な分割時系列データ毎の初期値を受信し、推論処理を繰り返して遂行し、時系列データを生成する。
【0077】
［処理Ｓ８５］生成した時系列データに外れ値を反映して出力する。
つまり、推論部２５は、重み取得部２４が取得した外れ値情報に基づいて、外れ値処理部２１を介して外れ値格納部２２から外れ値の実データと外れ値の時間情報とを含む該当する外れ値を取得し、生成した時系列データに外れ値を反映して出力する。
つまり、推論部２５は、重み取得部２４が取得した外れ値情報に基づいて、外れ値処理部２１を介して外れ値格納部２２から外れ値の実データと外れ値の時間情報とを含む該当する外れ値を取得し、生成した時系列データに外れ値を反映して出力する。
【0078】
［一実施の形態の効果］
上述した一実施の形態の時系列データ処理装置１によれば、リザバーコンピューティング技術と連携し、ある程度の精度の大まかな時系列データを推論で生成して出力することにより、処理の一層の高速化及び省消費電力を図ることができる。
上述した一実施の形態の時系列データ処理装置１によれば、リザバーコンピューティング技術と連携し、ある程度の精度の大まかな時系列データを推論で生成して出力することにより、処理の一層の高速化及び省消費電力を図ることができる。
【0079】
［他の変形例］
上述した一実施の形態における処理はコンピュータで実行可能なプログラムとして提供され、ＣＤ－ＲＯＭやフレキシブルディスクなどの非一時的コンピュータ可読記録媒体、さらには通信回線を経て提供可能である。
上述した一実施の形態における処理はコンピュータで実行可能なプログラムとして提供され、ＣＤ－ＲＯＭやフレキシブルディスクなどの非一時的コンピュータ可読記録媒体、さらには通信回線を経て提供可能である。
【0080】
また、上述した一実施の形態における各処理はその任意の複数または全てを選択し組合せて実施することもできる。
【符号の説明】
【0081】
１ 時系列データ処理装置
１１ 時系列データ受信部
１２ 時系列データ処理部
１３ 時系列データ格納部
１４ 時系列データ分割部
１５ 時系列データ分類部
１６ 機械学習部
１６Ａ 格納処理部
１６Ｂ 学習処理部
１６Ｃ リザバーネットワーク
１７ メタデータ処理部
１８ メタデータ格納部
１９ 重み処理部
２０ 重み格納部
２１ 外れ値処理部
２２ 外れ値格納部
２３ アクセス受付部
２４ 重み取得部
２５ 推論部
１１ 時系列データ受信部
１２ 時系列データ処理部
１３ 時系列データ格納部
１４ 時系列データ分割部
１５ 時系列データ分類部
１６ 機械学習部
１６Ａ 格納処理部
１６Ｂ 学習処理部
１６Ｃ リザバーネットワーク
１７ メタデータ処理部
１８ メタデータ格納部
１９ 重み処理部
２０ 重み格納部
２１ 外れ値処理部
２２ 外れ値格納部
２３ アクセス受付部
２４ 重み取得部
２５ 推論部
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
