特許ウォッチ

公開番号2025132581
公報種別公開特許公報(A)
公開日2025-09-10
出願番号2024030247
出願日2024-02-29
発明の名称時系列データ処理方法、学習方法、処理システム及び学習システム
出願人セイコーエプソン株式会社,公立大学法人大阪
代理人個人,個人,個人,個人
主分類G06N 20/00 20190101AFI20250903BHJP(計算;計数)
要約【課題】タイムズネットの2次元変換処理において、データ切り出し時の情報取りこぼしを低減することを可能とする時系列データ処理方法等を提供すること。
【解決手段】時系列データ処理方法は、学習済みモデル130に入力時系列データを入力し、入力時系列データを2次元データに変換する2次元変換処理を行い、2次元データを畳み込み層に入力する畳み込み処理を行い、畳み込み層の出力を1次元データに変換して出力時系列データを出力し、出力時系列データに基づいて特徴量を出力する。2次元変換処理は、入力時系列データを、着目周波数に対応した周期より大きい整数値の切り出し周期で複数の分割時系列データに分割し、複数の分割時系列データにより2次元データを構成する。
【選択図】図15
特許請求の範囲【請求項１】
入力時系列データから前記入力時系列データの特徴量を抽出するように学習された学習済みモデルを用いて、
前記入力時系列データを前記学習済みモデルに入力するステップと、
前記入力時系列データを２次元データに変換する２次元変換処理を行うステップと、
前記２次元データを畳み込み層に入力する畳み込み処理を行い、前記畳み込み層の出力を１次元データに変換して出力時系列データを出力するステップと、
前記出力時系列データに基づいて、特徴量を出力するステップと、
を含み、
前記２次元変換処理を行うステップは、
前記入力時系列データを、着目周波数に対応した周期より大きい整数値の切り出し周期で複数の分割時系列データに分割し、前記複数の分割時系列データにより前記２次元データを構成することを特徴とする時系列データ処理方法。
続きを表示（約 1,500 文字）【請求項２】
請求項１において、
前記切り出し周期は、前記着目周波数に対応した周期より大きい整数値のうち、最小の整数値であることを特徴とする時系列データ処理方法。
【請求項３】
請求項１において、
前記２次元変換処理を行うステップは、
１番目の分割時系列データの切り出し先頭位置における位相と、
２番目以降の分割時系列データの切り出し先頭位置における位相と、
の差が、所定値以下となるように、前記分割をすることを特徴とする時系列データ処理方法。
【請求項４】
請求項３において、
前記２次元変換処理を行うステップは、
前記切り出し周期がｍであり（ｍは２以上の整数）、
分割時系列データのｍ番目以前のデータが、前記着目周波数に対応した周期で終わる場合、
前記分割時系列データにおける残りのデータが、所定のデータで埋められることを特徴とする時系列データ処理方法。
【請求項５】
請求項４において、
前記所定のデータは、固定値のデータ、又は、前記次の分割時系列データの先頭データであることを特徴とする時系列データ処理方法。
【請求項６】
請求項１乃至５のいずれか一項において、
前記学習済みモデルは、ニューラルネットワークを含み、
前記２次元変換処理は、前記ニューラルネットワークが行うことを特徴とする時系列データ処理方法。
【請求項７】
請求項６において、
前記２次元変換処理を行うステップは、
少なくとも一部の着目周波数が固定された複数の着目周波数の各々に対して、前記２次元データを生成することを特徴とする時系列データ処理方法。
【請求項８】
請求項７において、
前記ニューラルネットワークが、前記複数の着目周波数に対応した複数の畳み込み層を含み、
前記畳み込み処理において、
前記ニューラルネットワークが、
前記複数の畳み込み層のうち対応した畳み込み層に、前記各着目周波数の前記２次元データを入力することを特徴とする時系列データ処理方法。
【請求項９】
請求項１において、
前記入力時系列データは、対象物から計測された振動に関する物理量の計測データであり、
前記特徴量に基づいて、前記対象物の状態監視、品質管理、及び予知保全の少なくとも何れかに関する前記振動の状態を推論するステップを含むことを特徴とする時系列データ処理方法。
【請求項１０】
入力時系列データから前記入力時系列データの特徴量を抽出する学習モデルを用いて、
前記入力時系列データを前記学習モデルに入力するステップと、
前記入力時系列データを２次元データに変換する２次元変換処理を行うステップと、
前記２次元データを畳み込み層に入力する畳み込み処理を行い、前記畳み込み層の出力を１次元データに変換して出力時系列データを出力するステップと、
前記出力時系列データに基づく特徴量を出力するように学習を行うステップと、
を含み、
前記２次元変換処理を行うステップは、
前記入力時系列データを、着目周波数に対応した周期より大きい整数値の切り出し周期で複数の分割時系列データに分割し、
前記複数の分割時系列データにより前記２次元データを構成することを特徴とする学習方法。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
本発明は、時系列データ処理方法、学習方法、処理システム及び学習システム等に関する。
続きを表示（約 2,800 文字）【背景技術】
【０００２】
非特許文献１には、タイムズネット（TimesNet）と呼ばれる機械学習を用いた、時系列データの解析手法が開示されている。具体的には、１次元の振動データ等である時系列データを２次元データに変換することで、２次元データにおいて近接する領域に短期的な特徴と長期的な特徴の双方を配置し、２次元データを畳み込み層に入力することで、時系列データの特徴を効率よく抽出する手法が提案されている。
【０００３】
当該手法では、ある周波数に着目し、着目した周波数に対応する周期毎に時系列データを切り出して並べることで、２次元データを生成する。このとき、周期は、非整数を含む実数で表現される。
【先行技術文献】
【非特許文献】
【０００４】
Haixu Wu, “TIMESNET: TEMPORAL 2D-VARIATION MODELING FOR GENERAL TIME SERIES ANALYSIS”, arXiv:2210.02186, 2022年10月5日
【発明の概要】
【発明が解決しようとする課題】
【０００５】
しかしながら、切り出すデータ個数が整数であることから、周期と切り出しデータ個数とが一致しないので、データ切り出し時に情報を取りこぼすおそれがあった。
【課題を解決するための手段】
【０００６】
本開示の一態様は、入力時系列データから前記入力時系列データの特徴量を抽出するように学習された学習済みモデルを用いて、前記入力時系列データを前記学習済みモデルに入力するステップと、前記入力時系列データを２次元データに変換する２次元変換処理を行うステップと、前記２次元データを畳み込み層に入力する畳み込み処理を行い、前記畳み込み層の出力を１次元データに変換して出力時系列データを出力するステップと、前記出力時系列データに基づいて、特徴量を出力するステップと、を含み、前記２次元変換処理を行うステップは、前記ニューラルネットワークが、前記入力時系列データを、着目周波数に対応した周期より大きい整数値の切り出し周期で複数の分割時系列データに分割し、前記複数の分割時系列データにより前記２次元データを構成する時系列データ処理方法に関係する。
【０００７】
また、本開示の他の態様は、入力時系列データから前記入力時系列データの特徴量を抽出する学習モデルを用いて、前記入力時系列データを前記学習モデルに入力するステップと、前記入力時系列データを２次元データに変換する２次元変換処理を行うステップと、前記２次元データを畳み込み層に入力する畳み込み処理を行い、前記畳み込み層の出力を１次元データに変換して出力時系列データを出力するステップと、前記出力時系列データに基づく特徴量を出力するように学習を行うステップと、を含み、前記２次元変換処理を行うステップは、前記入力時系列データを、着目周波数に対応した周期より大きい整数値の切り出し周期で複数の分割時系列データに分割し、前記複数の分割時系列データにより前記２次元データを構成する学習方法に関係する。
【０００８】
また、本開示の更に他の態様は、ニューラルネットワークを含み、入力時系列データから前記入力時系列データの特徴量を抽出するように学習された学習済みモデルを記憶する記憶部と、前記入力時系列データを前記学習済みモデルに入力し、前記ニューラルネットワークの出力に基づく前記特徴量を取得する処理部と、を含み、前記ニューラルネットワークは、前記入力時系列データを２次元データに変換する２次元変換処理を行うステップと、前記２次元データを畳み込み層に入力する畳み込み処理を行い、前記畳み込み層の出力を１次元データに変換して出力時系列データを出力するステップと、を行い、前記２次元変換処理を行うステップは、前記入力時系列データを、着目周波数に対応した周期より大きい整数値の切り出し周期で複数の分割時系列データに分割するステップと、前記複数の分割時系列データにより前記２次元データを構成するステップと、を含む処理システムに関係する。
【０００９】
また、本開示の更に他の態様は、ニューラルネットワークを含み、入力時系列データから前記入力時系列データの特徴量を抽出する学習モデルを記憶する記憶部と、前記入力時系列データを前記学習モデルに入力し、前記ニューラルネットワークの出力に基づいて、特徴量を出力するように前記学習モデルの学習を行う処理部と、を含み、前記ニューラルネットワークは、前記入力時系列データを２次元データに変換する２次元変換処理を行うステップと、前記２次元データを畳み込み層に入力する畳み込み処理を行い、前記畳み込み層の出力を１次元データに変換して出力時系列データを出力するステップと、を行い、前記２次元変換処理を行うステップは、前記入力時系列データを、着目周波数に対応した周期より大きい整数値の切り出し周期で複数の分割時系列データに分割するステップと、前記複数の分割時系列データにより前記２次元データを構成するするステップと、を含む学習システムに関係する。
【図面の簡単な説明】
【００１０】
対象物の振動を検出するセンサーの説明図。
処理システムの構成例。
学習システムの構成例。
学習時における学習モデルの構成例。
推論時における学習済みモデルの第１構成例。
推論時における学習済みモデルの第２構成例。
予測器としてのタイムズネットの詳細構成例。
分類器としてのタイムズネットの詳細構成例。
特徴量抽出器の詳細構成例。
タイムズブロックの詳細構成例。
タイムズブロックの動作を説明する図。
タイムズブロックの動作を説明する図。
従来のタイムズネットにおける２次元変換処理の課題を説明する図。
従来のタイムズネットにおける２次元変換処理の課題を説明する図。
本実施形態における２次元変換処理の第１例を説明する図。
本実施形態における２次元変換処理の第１例を説明する図。
本実施形態における２次元変換処理の第２例を説明する図。
本実施形態における２次元変換処理の効果を説明する図。
タスク評価に用いたデータセットの振幅スペクトル。
分類タスクの評価結果。
予測タスクの評価結果。
周波数ピークグラフの例、及びエポック毎のエントロピーの例。
従来のタイムズネットのようにスペクトルのピーク周波数から決定したとき、学習の進行に対して選択周波数の変化が小さくなることを示す図。
【発明を実施するための形態】
（【００１１】以降は省略されています）

関連特許