大規模次元時系列の知識発掘・モデル化原理確立と商業ユビキタスデータによる検証

大规模维度时间序列的知识挖掘和建模原理建立，并利用商业普适数据进行验证

• 批准号: 18049052
• 负责人: 鷲尾 隆
• 金额: $ 1.86万
• 依托单位: Osaka University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research on Priority Areas
• 财政年份: 2006
• 资助国家: 日本
• 起止时间: 2006 至 无数据
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-18049052/
• 关键词: 大規模次元データ; 大規模次元時系列; ユビキタスセンシング; ダイナミクスモデル; 部分共起分析; データマインング; 時系列データ解析; 監視

近年の情報ネットワークやセンシング技術の発展により,社会的インフラから逐次出力される重要情報が大規模次元時系列となっている.しかし,従来の統計やデータマイニングで対象とし得る時系列変数は数十次元止まりであった.本研究では,時間軸方向を含めた部分共起分析により,一般的計算機を用いて数万〜数百万次元の時系列からの知識発掘やモデル化を行う基本原理の確立を行った.また,ICタグにより得られる代表的大規模次元時系列である商業物流・人間移動ユビキタス追跡データによる実適用性検証を行った.具体的には,従来の統計やデータマイニングの時系列データ解析では,複数時刻のベクトルやトランザクションの関係を決定的または確率的関数Fでモデル化したのに対して,本研究では部分ベクトルや部分トランザクション間の関係Rkを用い,それらを多数総合するE(R1, R2,…, RN)により全体関係を表す方法を提案した.また大規模次元データから効率的かつ完全に部分的関係を導くため,部分共起分析を時間方向に拡張適用した.これにより,一般的計算機を用いて数万〜数百万次元時系列の解析が可能となった.更に重要社会インフラであるICチップによる商業用物流・人間移動のユビキタス追跡分析・監視システムを取り上げ,出力される膨大な製品や人間に起こる事象や時間,位置などの大規模次元時系列データへ提案手法を適用し,良好なモデリング性能,知識発掘性能を確認した.本研究により,雑誌論文を含む16件の発表成果と著書1件,特許出願1件の成果を得た.

随着信息网络和传感技术的最新发展，社会基础架构的重要信息输出已成为大规模的时间序列。但是，可以通过常规统计和数据挖掘来靶向的时间序列变量仅限于数十个维度。在这项研究中，我们建立了使用一般计算机使用一般计算机的时间序列挖掘知识和建模的基本原理。此外，我们使用商业物流和人类运动无处不在的跟踪数据验证了实际适用性，这是由IC标签获得的代表性大规模时间序列。具体而言，在传统的统计和数据挖掘时间序列数据分析中，使用果态或概率函数f对向量和交易之间的关系进行了多次建模，而在这项研究中，使用了部分矢量与部分交易之间的关系，并合并了部分矢量和部分交易之间的关系（R1，R1，R1，R1，R1，R1，R1，R1，和R1，和R1，和R1，和R1，和R1，和R1，和R1，和R1，和R1，和R1，和R1，和R1，和R1，和R1，和R1，和R1，和R1，和R1，和R1，和R1，和R1，和R1，和R1，以及R1，和R1，和R1，和R1，和R1，和R1，和R1，和R1，和Eaptial交易之间的关系。 R2，……………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………… ……………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………… ……………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………… ………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………我们提出了一种使用RN表示整体关系的方法。为了有效地从大规模数据数据中有效并完全得出部分关系，在时间方向上扩展了部分共振分析。这使得使用一般计算机可以分析数万到数百万的时间序列。此外，我们采用了无处不在的跟踪分析和监视系统，用于使用IC芯片，一个重要的社会基础设施进行商业物流和人类运动，并将所提出的方法应用于大规模维度时间序列数据，例如在人类，时间和位置发生的庞大输出产品和事件，并确认了良好的建模绩效和知识的表现和知识效果。这项研究已获得16个出版物，一本书和一项专利申请。

项目成果

Mining Discreminative Patterns from Graph Structured Data with Constrained Search

使用约束搜索从图结构化数据中挖掘判别模式

• 发表时间: 2006
• 期刊: Proc. of the Workshop on Mining and Learning with Graphs, 17th European Conference on Machine Learning (ECML) and 10th European Conference on Principles and Practice of Knowledge Discovery in Databases (PKDD)
• 作者: Kiyoto Takabayashi;Phu Chien Nguyen;Kouzou Ohara;Hiroshi Motoda;Takashi Washio
• 通讯作者: Takashi Washio

Analysis on a Relation between Enterprise Profit and Financial Sate by Using Data Mining Techniques

利用数据挖掘技术分析企业利润与财务状况的关系

• 发表时间: 2007
• 期刊: New Frontiers in Artificial Intelligence, JSAI2006 Conference and Workshops, Springer-Verlag LNCS4384
• 作者: Toru Ishida;Yuu Nakajima;Yohei Murakami and Hideyuki Nakanishi;Shen Zhitao;Tetsuya Takiguchi;Tradahiro Tsuda;根本彰;Takashi Washio
• 通讯作者: Takashi Washio

Modeling dynamic substate chains among massive states

• DOI: 10.3233/ida-2008-12303
• 发表时间: 2008-08
• 期刊: Intell. Data Anal.
• 作者: V. Nguyen;T. Washio

A Method to Search ARX Model Orders and Its Application to Sales Dynamics Analysis

ARX模型订单搜索方法及其在销售动态分析中的应用

• 发表时间: 2006
• 期刊: Proc. of Sixth IEEE International Conference on Data Mining, Workshop on Risk Mining 2006 (CD-ROM)
• 作者: Kenta Fukata;Takashi Washio;Hiroshi Motoda
• 通讯作者: Hiroshi Motoda

Mining Graph Data, Chap 8, pp. 203-226, Wiley-Interscience (Eds : Diane J. Cook and Lawrence B. Holder)(A John Wiley ＆ Sons, Inc., Publication)

挖掘图数据，第 8 章，第 203-226 页，Wiley-Interscience（编辑：Diane J. Cook 和 Lawrence B. Holder）（John Wiley & Sons, Inc.，出版物）

• 发表时间: 2006
• 作者: Kouzou Ohara;Phu Chien Nguyen;Akira Mogi;Hiroshi Motoda;Takashi Washio
• 通讯作者: Takashi Washio