特許ウォッチ

公開番号2024067486
公報種別公開特許公報(A)
公開日2024-05-17
出願番号2022177603
出願日2022-11-04
発明の名称情報処理プログラム、情報処理方法及び情報処理装置
出願人富士通株式会社
代理人弁理士法人酒井国際特許事務所
主分類G06N 20/00 20190101AFI20240510BHJP(計算;計数)
要約【課題】時系列データを用いる機械学習の効率を向上させる情報処理プログラム、情報処理方法及び情報処理装置を提供する。
【解決手段】時系列データの周波数成分のうち所定基準より強い周波数成分を特定し、時系列データの複数の時系列特徴量を生成する際に用いる1つ以上のパラメータと特定した周波数成分の周期との関係性を示す値を、パラメータに対する特徴量として算出し、時系列特徴量を用いた予測に対する、各パラメータを基に生成される時系列特徴量のそれぞれの重要度と、各パラメータに対する特徴量とを用いて、各パラメータに対する特徴量から時系列特徴量の重要度を予測する第1の機械学習モデルの学習を実行し、学習済みの第1の機械学習モデルを用いて新規の時系列データについて時系列特徴量の重要度を予測する処理をコンピュータに実行させる。
【選択図】図11
特許請求の範囲【請求項１】
時系列データの周波数成分のうち所定基準より強い周波数成分を特定し、
前記時系列データの複数の時系列特徴量を生成する際に用いる１つ以上のパラメータと特定した周波数成分の周期との関係性を示す値を、前記パラメータに対する特徴量として算出し、
前記時系列特徴量を用いた予測に対する、各前記パラメータを基に生成される前記時系列特徴量のそれぞれの重要度と、各前記パラメータに対する前記特徴量とを用いて、各前記パラメータに対する特徴量から前記時系列特徴量の前記重要度を予測する第１の機械学習モデルの学習を実行し、
学習済みの前記第１の機械学習モデルを用いて新規の時系列データについて時系列特徴量の重要度を予測する
処理をコンピュータに実行させることを特徴とする情報処理プログラム。
続きを表示（約 1,400 文字）【請求項２】
前記周期の定数倍を前記パラメータのうちの時間幅で除算した結果を基に、前記パラメータと前記特定した周波数成分の周期との関係性を示す値を算出することを特徴とする請求項１に記載の情報処理プログラム。
【請求項３】
前記新規のデータについて前記パラメータに対する特徴量を算出し、算出した前記パラメータに対する特徴量を学習済みの前記第１の機械学習モデルに入力して、前記新規の時系列データについて前記時系列特徴量の前記重要度を予測することを特徴とする請求項１に記載の情報処理プログラム。
【請求項４】
前記予測した前記新規の時系列データについての前記時系列特徴量の前記重要度を基に、前記時系列特徴量を入力データとした予測を行う第２の機械学習モデルの学習に使用する特定の時系列特徴量を決定し、
前記時系列データについての前記特定の時系列特徴量を用いて前記第２の機械学習モデルの学習を実行する
処理を前記コンピュータにさらに実行させることを特徴とする請求項１に記載の情報処理プログラム。
【請求項５】
前記パラメータに含まれる時間幅に対する特徴量を前記パラメータに対する特徴量として算出し、
前記時間幅毎の重要度を前記時系列特徴量のそれぞれの重要度として算出し、
前記時間幅毎の重要度と各前記時間幅に対する前記特徴量とを用いて、前記第１の機械学習モデルの学習を実行する
ことを特徴とする請求項１に記載の情報処理プログラム。
【請求項６】
情報処理装置が、
時系列データの周波数成分のうち所定基準より強い周波数成分を特定し、
前記時系列データの複数の時系列特徴量を生成する際に用いる１つ以上のパラメータと特定した周波数成分の周期との関係性を示す値を、前記パラメータに対する特徴量として算出し、
前記時系列特徴量を用いた予測に対する、各前記パラメータを基に生成される前記時系列特徴量のそれぞれの重要度と、各前記パラメータに対する前記特徴量とを用いて、各前記パラメータに対する特徴量から前記時系列特徴量の前記重要度を予測する第１の機械学習モデルの学習を実行し、
学習済みの前記第１の機械学習モデルを用いて新規の時系列データについて時系列特徴量の重要度を予測する
処理を実行することを特徴とする情報処理方法。
【請求項７】
時系列データの周波数成分のうち所定基準より強い周波数成分を特定し、前記時系列データの複数の時系列特徴量を生成する際に用いる１つ以上のパラメータと特定した周波数成分の周期との関係性を示す値を、前記パラメータに対する特徴量として算出するメタ特徴量算出部と、
前記時系列特徴量を用いた予測に対する、各前記パラメータを基に生成される前記時系列特徴量のそれぞれの重要度と、各前記パラメータに対する前記特徴量とを用いて、各前記パラメータに対する特徴量から前記時系列特徴量の前記重要度を予測する第１の機械学習モデルの学習を実行するメタ機械学習実行部と、
学習済みの前記第１の機械学習モデルを用いて新規の時系列データについて時系列特徴量の重要度を予測する時系列特徴量決定部と
を備えたことを特徴とする情報処理装置。

発明の詳細な説明【技術分野】
【０００１】
本発明は、情報処理プログラム、情報処理方法及び情報処理装置に関する。
続きを表示（約 2,200 文字）【背景技術】
【０００２】
機械学習を用いた分析に含まれる様々なタスクのうち一部を自動化する技術は、自動機械学習（ＡｕｔｏＭＬ（Machine Leaning））と呼ばれる。自動機械学習では、機械学習のアルゴリズムに対してハイパーパラメータの設定値の最適化や、最も精度の高い結果をもたらすアルゴリズムの選択などの処理が自動化される。
【０００３】
このような自動機械学習は、多方面で用いられるようになってきているが、時系列データに対する自動機械学習はまだ十分に研究されているとは言えない段階である。ここでの時系列データとは、データが取得された時刻情報を含むデータを指す。例えば、時刻を含むユーザのアクセスログは時系列データである。これに対して、誕生日を含むユーザデータは、誕生日は時刻ではあるがデータが取得された時刻情報ではないため、時系列データではない。
【０００４】
時系列データに対する自動機械学習が進まない理由として、以下のようなものが挙げられる。時系列データを用いる機械学習では、適切な分析が行えるように時系列特徴量を生成することが求められることが多い。時系列特徴量とは、時系列データを特徴づける特徴量であり、時系列データが対応する時刻より前の時刻の情報を使用した特徴量である。
【０００５】
このような時系列特徴量を自動的に生成する場合、膨大な数の時系列特徴量の候補が存在するため、時間やデータ量の観点から全ての時系列特徴量の候補を生成することが困難であることが１つの理由である。時系列データを用いる場合、例えば、どの時間幅を使用するかということが時系列特徴量の要素の１つとなり得るが、時間幅の決め方は多数存在する。時間幅とは、例えば、１時間、１日、１週間などの１まとめとする時系列データの時間範囲を決定する情報である。使用する時間幅を人為的に決める場合であれば、各時間範囲の意味を考慮して有望な時間幅の取捨選択が可能であるが、自動機械学習では、それらの意味を自動的に考慮することは難しいため、全ての時間幅について評価を行うことになる。
【０００６】
なお、自働機械学習における技術として、特徴量のメタ特徴量から、各特徴量の重要度を算出する技術が提案されている。メタ特徴量とは、ある特徴量がどのような特徴量であるかを表現する情報である。また、時系列データを周波数領域データに変換し、周波数データから時系列データに設定する時間幅を決定し、決定した時間幅の時系列データを用いた機械学習結果から各時間幅の重要度を算出して、時間幅を選択する技術が提案されている。
【先行技術文献】
【特許文献】
【０００７】
国際公開第２０２０／０５９４９８号
【発明の概要】
【発明が解決しようとする課題】
【０００８】
しかしながら、メタ特徴量を用いて各特徴量の重要度を決定する技術を用いようとしても、時間幅などから生成される時系列特徴量に対するメタ特徴量が自明ではない。そのため、単にメタ特徴量を用いても、時系列特徴量の重要度を評価することは難しく、時系列特徴量を適切に選択することは困難である。例えば、時系列特徴量のメタ特徴量として、時間幅、時間幅に含まれる時系列データをまとめた範囲データに対して次の範囲データまでのずらす量にあたるずらし幅、範囲データの使用数、時系列特徴量を算出するための関数の組合せを用いる場合を考える。このようなメタ特徴量を用いた場合、時間軸のスケーリングに対してメタ特徴量が表現する内容が変化してしまうなどの理由から、各メタ特徴量を有する時系列データ毎の重要度を求めることが困難である。また、周波数データから時系列データに設定する時間幅を決定する技術では、各時間的特徴量の重要度を評価することが困難であり、時系列特徴量を適切に選択することは困難である。したがって、従来の自動機械学習の技術では、時系列データを用いる機械学習の効率を向上させることは困難であった。
【０００９】
開示の技術は、上記に鑑みてなされたものであって、時系列データを用いる機械学習の効率を向上させる情報処理プログラム、情報処理方法及び情報処理装置を提供することを目的とする。
【課題を解決するための手段】
【００１０】
本願の開示する情報処理プログラム、情報処理方法及び情報処理装置の一つの態様において、時系列データの周波数成分のうち所定基準より強い周波数成分を特定し、前記時系列データの複数の時系列特徴量を生成する際に用いる１つ以上のパラメータと特定した周波数成分の周期との関係性を示す値を、前記パラメータに対する特徴量として算出し、前記時系列特徴量を用いた予測に対する、各前記パラメータを基に生成される前記時系列特徴量のそれぞれの重要度と、各前記パラメータに対する前記特徴量とを用いて、各前記パラメータに対する特徴量から前記時系列特徴量の前記重要度を予測する第１の機械学習モデルの学習を実行し、前記学習済みの前記第１の機械学習モデルを用いて新規の時系列データについて時系列特徴量の重要度を予測する処理をコンピュータに実行させる。
【発明の効果】
（【００１１】以降は省略されています）

関連特許