特許ウォッチ

公開番号2025031561
公報種別公開特許公報(A)
公開日2025-03-07
出願番号2024111412
出願日2024-07-11
発明の名称コンクリート状態の多元時系列モニタリングデータの補完方法
出願人中国長江電力股ふん有限公司,河海大学
代理人個人,個人,個人,個人
主分類E02B 7/02 20060101AFI20250228BHJP(水工;基礎;土砂の移送)
要約【課題】コンクリート状態の多元時系列モニタリングデータの補完方法
【解決手段】収集された多元生データに対してBox-Cox変換を行うステップと、Box-Cox変換後の多元時系列データで行列D_n,mを構成し、且つ行列D_n,mの列を切断した後に再構成操作を行い、再構成後の新たな行列を、P_n,m*n′とするステップと、再構成後の行列P_n,m*n′中の欠損値を予測し、欠損値を補完し、補完後の行列から行列D_n,mを抽出するステップと、抽出された行列D_n,m中のデータに対して逆変換を行うステップとを含む。本発明は、生データに対して、それが正規分布に従うようにBox-Cox変換を行い、変換後のデータをシーケンス行列に組織し、行列の列を分割することで行列を再構成し、連鎖方程式による多重補完法を用いて再構成行列の欠損値を充填し、多元時系列モニタリングデータの補完を実現する。
【選択図】図1
特許請求の範囲【請求項１】
コンクリート自動化モニタリングシステムが収集した多元生データに対して、それが正規分布に従うように、Ｂｏｘ－Ｃｏｘ変換を行うステップＳ１と、
Ｂｏｘ－Ｃｏｘ変換後の多元時系列データで行列Ｄ
ｎ，ｍ
を構成し、行列Ｄ
ｎ，ｍ
の列を切断して再構成操作を行い、再構成後の新たな行列を、Ｐ
ｎ，ｍ＊ｎ′
とするステップＳ２と、
再構成後の行列Ｐ
ｎ，ｍ＊ｎ′
中の欠損値を予測し、欠損値を補完し、補完後の行列から行列Ｄ
ｎ，ｍ
を抽出するステップＳ３と、
抽出された行列Ｄ
ｎ，ｍ
におけるデータに対して逆変換を行うことにより、データと観測データとを同一桁にし、最終的に多元時系列データの補完を実現するステップＳ４と、を含み、
前記ステップＳ２の具体的な過程は、
Ｂｏｘ－Ｃｏｘ変換後の多元時系列データで行列Ｄ
ｎ，ｍ
を構成するステップＳ２－１であって、行列の各行は、タイムスタンプ上のデータ記録を表し、行列Ｄ
ｎ，ｍ
は、
JPEG
2025031561000034.jpg
22
114
で表され、
ここで、第１の列は、タイムスタンプであり、残りの列、すなわち、ｓ
１
，ｓ
２
，…，ｓ
ｍ－１
は、変数である、ステップＳ２－１と、
行列Ｄ
ｎ，ｍ
の各列を長さが同一のｎ′個の短い列ブロックに分割するステップＳ２－２であって、ｎ′は、自己相関値に基づいて計算され、分割後の行列は、
JPEG
2025031561000035.jpg
21
127
で表され、
再構成後の行列は、Ｄ′
ｎ／ｎ′，ｍ＊ｎ′
＝［Ｔ
１
，Ｔ
２
，…，Ｔ
ｎ′
，ｓ
１１
，ｓ
１２
，…，ｓ
１ｎ′
，…，ｓ
（ｍ－１）１
，ｓ
（ｍ－１）２
，…，ｓ
（ｍ－１）ｎ′
］である、ステップＳ２－２と、
再構成後の行列Ｄ′
ｎ／ｎ′，ｍ＊ｎ′
をｎ′回複製し、次にｎ′個の行列Ｄ
ｎ／ｎ′，ｍ＊ｎ′
を垂直に組み合わせて遅延シーケンス行列
JPEG
2025031561000036.jpg
40
103
を形成するステップＳ２－３と、
遅延シーケンス行列Ｈ
ｎ，ｍ＊ｎ′
を行ごとに行列Ｄ
ｎ，ｍ
の後にスプライシングし、遅延行列の各行における繰り返し要素を削除し、新たな遅延シーケンス行列をＨ′
ｎ，ｍ＊（ｎ′－１）
とし、行列Ｄ
ｎ，ｍ
と新たな遅延シーケンス行列とによって新たな行列Ｐ
ｎ，ｍ＊ｎ′
＝［Ｄ
ｎ，ｍ
，Ｈ′
ｎ，ｍ＊（ｎ′－１）
］を構成するステップＳ２－４と、である、ことを特徴とするコンクリート状態の多元時系列モニタリングデータの補完方法。
続きを表示（約 2,400 文字）【請求項２】
前記ステップＳ１における多元生データは、温度、ｐＨ値、抵抗率、塩素イオン濃度、カルシウムイオン濃度、浸透流を含む、ことを特徴とする請求項１に記載のコンクリート状態の多元時系列モニタリングデータの補完方法。
【請求項３】
前記ステップＳ１の具体的な過程は、
コンクリート自動化モニタリングシステムから多元生データを収集するステップＳ１－１と、
収集された多元生データに対して、それが正規分布に従うようにＢｏｘ－Ｃｏｘ変換を行い、変数の時系列次元の回帰特性を保証するステップＳ１－２であって、その式は、
JPEG
2025031561000037.jpg
21
127
であり、
ここで、ｘ
λ
ｉ
は、生データであり、ａ
ｉ
は、変換後のデータであり、ｎは、データ数であり、λは、変換係数であり、データシーケンス自体によって決定される、ステップＳ１－２と、
最尤推定を用いてパラメータλの値を推定し、尤度関数Ｌ（λ）を確立するステップＳ１－３であって、その式は、
JPEG
2025031561000038.jpg
19
112
であり、
ここで、
JPEG
2025031561000039.jpg
13
70
は、ａの最尤推定を表し、
JPEG
2025031561000040.jpg
11
9
は、シーケンスの平均値を表す、ステップＳ１－３と、である、ことを特徴とする請求項１に記載のコンクリート状態の多元時系列モニタリングデータの補完方法。
【請求項４】
前記ステップＳ２－２におけるｎ′の求解方法は、
ある行における要素が全部欠損することがあるか否かについて、行列Ｄ
ｎ，ｍ
の各行を観察するＡ１と、
存在する場合、ｎのすべての約数を含み、それに対応する商がオリジナル行列の列ｍ以上であるセットＳを確立するＡ２と、
存在しない場合、そのままＡ４を実行するＡ３と、
ｎ′は、セットＳ中の要素であり、新たな列の長さｎ／ｎ′は、行列Ｄ
ｎ，ｍ
の列の長さより大きく、すなわち、ｎ／ｎ′＞ｍであり、ｎ′は、
JPEG
2025031561000041.jpg
15
32
を満たし、ここで
JPEG
2025031561000042.jpg
9
10
がｘより大きい最小整数を表し、分割後の行列の行数及び列数は、いずれもｍより大きいＡ４と、である、ことを特徴とする請求項１に記載のコンクリート状態の多元時系列モニタリングデータの補完方法。
【請求項５】
前記ステップＳ３の具体的なステップは、
連鎖方程式による多重補完法を用いて再構成後の行列Ｐ中の欠損値を予測し、欠損値を補完するステップＳ３－１と、
新たな行列Ｐ中の欠損値が補完された後、補完後の行列から行列Ｄ
ｎ，ｍ
を抽出するステップＳ３－２と、である、ことを特徴とする請求項１に記載のコンクリート状態の多元時系列モニタリングデータの補完方法。
【請求項６】
前記ステップＳ３－１における連鎖方程式アルゴリズムの具体的なステップは、
行列中の欠損値を推定するステップＢ１と、
順に１つの変数を選択し、且つその推定値を削除し、削除された推定値の変数を補完モデルの従属変数とし、残りをモデルの独立変数とし、従属変数の特徴に基づいて補完モデルを選択して欠損値を予測するステップＢ２と、
行列のデータ列を充填し、補完結果で前の推定値を置き換えるステップＢ３と、
欠損値を含む変数毎に対して、欠損値がいずれも置き換えられるまでＢ２－Ｂ３のステップを繰り返すステップＢ４と、
補完モデルが収束するまで複数回反復トレーニングするステップＢ５と、である、ことを特徴とする請求項５に記載のコンクリート状態の多元時系列モニタリングデータの補完方法。
【請求項７】
前記ステップＢ１において行列中の欠損値を推定する方法は、収集されたデータの平均値で変数中の欠損値を置き換えることである、ことを特徴とする請求項６に記載のコンクリート状態の多元時系列モニタリングデータの補完方法。
【請求項８】
前記ステップＢ２における補完モデルの選択方法は、選択された列の変数のデータ特徴に基づいて補完モデルを選択し、データ間の関係が線形である場合、線形回帰モデルを選択し、線形関数をフィッティングすることで欠損値を推定し、変数データが連続的又は離散的なデータである場合、Ｋ近傍モデルを選択し、データ間の類似性に基づいて、最近傍の観測値を用いて欠損値を推定することである、ことを特徴とする請求項６に記載のコンクリート状態の多元時系列モニタリングデータの補完方法。
【請求項９】
前記ステップＳ４の具体的なステップは、
抽出された行列Ｄ
ｎ，ｍ
におけるデータに対してＢｏｘ－Ｃｏｘの逆変換を行うステップＳ４－１であって、その式は、
JPEG
2025031561000043.jpg
28
88
であり、
ここで、λは、Ｓ１－３で求めた最適解である、ステップＳ４－１と、
逆変換後のデータで構成される行列Ｗ
ｎ，ｍ
を補完後の行列とするステップＳ４－２と、である、ことを特徴とする請求項３に記載のコンクリート状態の多元時系列モニタリングデータの補完方法。

発明の詳細な説明【技術分野】
【０００１】
本発明は、水利水力発電分野に関し、具体的には、コンクリート状態の多元時系列モニタリングデータの補完方法に関する。
続きを表示（約 3,900 文字）【背景技術】
【０００２】
コンクリートは、非常に重要な建築材料として、応用範囲が非常に広い。高層ビルではコンクリートは、地盤を支える役割を果たす。水利分野では、水資源の開発利用に伴い、コンクリートダムは、中国全国にわたっており、コンクリートダムが正常に運転できるか否かは、水利工事のセキュリティに直接関係し、人々の生命財産の安全に影響を与える。コンクリート建築材料の建築時間の増加に伴い、コンクリートモニタリングデータに対して信頼性分析を行うことは、コンクリートの正常状態を把握することに寄与し、それによってビルの安定した安全運転を確保する。しかし、モニタリングシステムの劣化、伝送などの故障問題のため、大量のモニタリングデータの欠損は、現在のコンクリートダムの管理の課題の一つとなっている。モニタリングデータの欠損により、コンクリート状態評価の正確性を低下させる。従って、紛失した多元時系列モニタリングデータを回復することは、コンクリートビルの分析管理の重要な課題となっている。
【０００３】
データ補完のキーは、欠損データと収集されたデータとの間にデータ依存性を確立することである。回帰機械学習モデルは、欠損値と他の変数との関係を学習することで欠損値を予測してもよい。しかしながら、複数の変数の全てに欠損データが存在する場合、回帰モデルを直接適用すると多変数データ補完問題を解決することができない。
【０００４】
したがって、この問題を解決する新しい技術案が必要である。
【発明の概要】
【発明が解決しようとする課題】
【０００５】
従来技術に存在する欠点を克服するために、コンクリート状態の多元時系列モニタリングデータの補完方法を提供し、主に、生データに対して、それが正規分布に従うようにＢｏｘ－Ｃｏｘ変換を行い、変換後のデータをシーケンス行列に組織し、行列の列を分割することで行列を再構成し、連鎖方程式による多重補完を用いて再構成行列の欠損値を充填し、多元時系列モニタリングデータの補完を実現する。
【課題を解決するための手段】
【０００６】
上記目的を実現するために、本発明は、
コンクリート自動化モニタリングシステムが収集した多元生データに対して、それが正規分布に従うように、Ｂｏｘ－Ｃｏｘ変換を行うステップＳ１と、
Ｂｏｘ－Ｃｏｘ変換後の多元時系列データで行列Ｄ
ｎ，ｍ
を構成し、時間情報によって多元データ間の相互依存性を強化するために且つ行列Ｄ
ｎ，ｍ
の列を切断して再構成操作を行い、再構成後の新たな行列をＰ
ｎ，ｍ＊ｎ′
とするステップＳ２と、
再構成後の行列Ｐ
ｎ，ｍ＊ｎ′
中の欠損値を予測し、欠損値を補完し、補完後の行列から行列Ｄ
ｎ，ｍ
を抽出するステップＳ３と、
抽出された行列Ｄ
ｎ，ｍ
におけるデータに対して逆変換を行うことにより、データと観測データとを同一桁にし、最終的に多元時系列データの補完を実現するステップＳ４と、を含むコンクリート状態の多元時系列モニタリングデータの補完方法を提供する。
【０００７】
さらに、前記ステップＳ１における多元生データは、温度、ｐＨ値、抵抗率、塩素イオン濃度、カルシウムイオン濃度、浸透流を含む。
【０００８】
さらに、前記ステップＳ１の具体的な過程は、
コンクリート自動化モニタリングシステムから、温度、ｐＨ値、抵抗率、塩素イオン濃度、カルシウムイオン濃度、浸透流である合計６つの変数を含む多元生データを収集するステップＳ１－１であって、システム測定頻度は、１５分間である、ステップＳ１－１と、
収集された多元生データに対して、それが正規分布に従うようにＢｏｘ－Ｃｏｘ変換を行い、変数の時系列次元の回帰特性を保証するステップＳ１－２であって、その式は、
JPEG
2025031561000002.jpg
21
127
であり、
ここで、ｘ
λ
ｉ
は、生データであり、ａ
ｉ
は、変換後のデータであり、ｎは、データ数であり、λは、変換係数であり、データシーケンス自体によって決定される、ステップＳ１－２と、
最尤推定を用いてパラメータλの値を推定し、尤度関数Ｌ（λ）を確立するステップＳ１－３であって、その式は、
JPEG
2025031561000003.jpg
19
112
であり、
ここで、
JPEG
2025031561000004.jpg
13
70
は、ａの最尤推定を表し、
JPEG
2025031561000005.jpg
11
9
は、シーケンスの平均値を表す、ステップＳ１－３と、である。
【０００９】
さらに、前記ステップＳ２の具体的な過程は、
Ｂｏｘ－Ｃｏｘ変換後の多元時系列データで行列Ｄ
ｎ，ｍ
を構成するステップＳ２－１であって、行列の各行は、タイムスタンプ上のデータ記録を表し、行列Ｄ
ｎ，ｍ
は、
JPEG
2025031561000006.jpg
22
114
で表され、
ここで、第１の列は、タイムスタンプであり、残りの列、すなわち、ｓ
１
，ｓ
２
，…，ｓ
ｍ－１
は、変数であり、ｍの値は、７である、ステップＳ２－１と、
行列における連続的な欠損要素の割合を最小化するために、行列Ｄ
ｎ，ｍ
の各列を長さが同一のｎ′個の短い列ブロックに分割するステップＳ２－２であって、ｎ′は、自己相関値に基づいて計算され、分割後の行列は、
JPEG
2025031561000007.jpg
21
127
で表され、
第２列の変数１、すなわち、ｓ
１
を例として、ｓ
１
＝［ｓ
１１
，ｓ
１２
，…，ｓ
１ｎ′
］
Ｔ
であり、ここで、
JPEG
2025031561000008.jpg
50
122
であり、これらの短い列ブロックが新たな列と見なされかつ水平に組み合わせられて行列を再構成することにより、行列の列関連性を保証し、再構成後の行列は、Ｄ′
ｎ／ｎ′，ｍ＊ｎ′
＝［Ｔ
１
，Ｔ
２
，…，Ｔ
ｎ′
，ｓ
１１
，ｓ
１２
，…，ｓ
１ｎ′
，…，ｓ
（ｍ－１）１
，ｓ
（ｍ－１）２
，…，ｓ
（ｍ－１）ｎ′
］である、ステップＳ２－２と、
時系列データにおける時間繰り返しパターンを強化するために、再構成後の行列Ｄ′
ｎ／ｎ′，ｍ＊ｎ′
をｎ′回複製し、次にｎ′個の行列Ｄ
ｎ／ｎ′，ｍ＊ｎ′
を垂直に組み合わせて遅延シーケンス行列
JPEG
2025031561000009.jpg
40
103
を形成するステップＳ２－３と、
遅延シーケンス行列Ｈ
ｎ，ｍ＊ｎ′
を行ごとに行列Ｄ
ｎ，ｍ
の後にスプライシングし、重複する観測値及び欠損値が後続の補完結果に与える影響を避けるために遅延行列の各行における繰り返し要素を削除して、新たな遅延シーケンス行列をＨ′
ｎ，ｍ＊（ｎ′－１）
とし、行列Ｄ
ｎ，ｍ
と新たな遅延シーケンス行列とによって新たな行列Ｐ
ｎ，ｍ＊ｎ′
＝［Ｄ
ｎ，ｍ
，Ｈ′
ｎ，ｍ＊（ｎ′－１）
］を構成するステップＳ２－４と、である。
【００１０】
さらに、前記ステップＳ２－２でのｎの求解方法は、
ある行における要素が全部欠損することがあるか否かについて、行列Ｄ
ｎ，ｍ
の各行を観察するＡ１と、
存在する場合、ｎのすべての約数を含み、それに対応する商がオリジナル行列の列ｍ以上であるセットＳを確立するＡ２と、
存在しない場合、そのままＡ４を実行するＡ３と、
ｎ′は、セットＳ中の要素であり、新たな列の長さｎ／ｎ′は、行列Ｄ
ｎ，ｍ
の列の長さより大きく、すなわち、ｎ／ｎ′＞ｍであり、ｎ′は、
JPEG
2025031561000010.jpg
15
32
を満たすべきであり、ここで
JPEG
2025031561000011.jpg
9
10
がｘより大きい最小整数を表し、分割後の行列の行数及び列数は、いずれもｍより大きいＡ４と、である。
（【００１１】以降は省略されています）

関連特許