複合ＩｏＴビッグデータを用いた個人適応型支援システムの開発

本年度では、昨年までに開発した技術をさらに発展させ、大規模IoTセンサデータから重要な特徴を抽出し、将来イベントを予測する技術を開発した。具体的には、提案手法は確率モデリングと深層学習に基づいており、確率モデリングによる特徴抽出とその特徴を用いた深層学習によって、(1)解釈可能なモデルを構築しながら(2)高精度にイベントを予測し、さらに(3)少ないデータ量で学習でき、高速に動作する。深層学習のみを用いた手法の場合、データ分類性能の高さが目立つ一方、そのモデルの解釈性が低い問題や、計算時間が非常に長い点など多くの課題がある。これまでに培われてきた確率モデルを基にした手法は、モデルが直感的で解釈可能であり、計算時間も比較的高速である。一方で、その性能は深層学習に劣る場合が多かった。そこで提案手法はこれらを組み合わせ、双方の利点を活用した新たな予測技術の開発に取り組んだ。提案手法は三つのパートに分かれており、まずはじめに、IoTビッグデータから時系列パターンの時間遷移と設備特徴をモデル化する。次に、得られたモデルと残差を基に、時系列パターンの遷移と周波数特性を特徴量として抽出する。これにより、IoTビッグデータの時間、設備、周波数特徴を同時に捉えることに成功している。最終的に、得られた特徴量を入力として深層学習を適用し、将来イベントを予測する。これまでの予測手法と異なり、提案手法では複数設備でのイベント予測を同時に行っており、時系列パターンの時間遷移だけでなく設備同士の関連性も捉えている。実際に本研究成果は非常に高い評価を受けており、データマイニング分野におけるトップ国際会議の一つであるICDM 2019にRegular paperとして採択されている。また、国内会議においても2件の受賞があり、特許申請済みである。加えて本研究成果は実際の工場での異常検知システムとして稼働する予定である。

本年度では、昨年までに開発した技術をさらに発展させ、大規模IoTセンサデータから重要な特徴を抽出し、将来イベントを予測する技術を開発した。具体的には、提案手法は確率モデリングと深層学習に基づいており、確率モデリングによる特徴抽出とその特徴を用いた深層学習によって、(1)解釈可能なモデルを構築しながら(2)高精度にイベントを予測し、さらに(3)少ないデータ量で学習でき、高速に動作する。深層学習のみを用いた手法の場合、データ分類性能の高さが目立つ一方、そのモデルの解釈性が低い問題や、計算時間が非常に長い点など多くの課題がある。これまでに培われてきた確率モデルを基にした手法は、モデルが直感的で解釈可能であり、計算時間も比較的高速である。一方で、その性能は深層学習に劣る場合が多かった。そこで提案手法はこれらを組み合わせ、双方の利点を活用した新たな予測技術の開発に取り組んだ。提案手法は三つのパートに分かれており、まずはじめに、IoTビッグデータから時系列パターンの時間遷移と設備特徴をモデル化する。次に、得られたモデルと残差を基に、時系列パターンの遷移と周波数特性を特徴量として抽出する。これにより、IoTビッグデータの時間、設備、周波数特徴を同時に捉えることに成功している。最終的に、得られた特徴量を入力として深層学習を適用し、将来イベントを予測する。これまでの予測手法と異なり、提案手法では複数設備でのイベント予測を同時に行っており、時系列パターンの時間遷移だけでなく設備同士の関連性も捉えている。実際に本研究成果は非常に高い評価を受けており、データマイニング分野におけるトップ国際会議の一つであるICDM 2019にRegular paperとして採択されている。また、国内会議においても2件の受賞があり、特許申請済みである。加えて本研究成果は実際の工場での異常検知システムとして稼働する予定である。