@article{oai:ipsj.ixsq.nii.ac.jp:00195406,
 author = {田, 一鳴 and 前川, 卓也 and 天方, 大地 and 原, 隆浩 and 松本, 祥子 and 依田, 憲 and 藤岡, 慧明 and 濱井, 郁弥 and 福井, 大 and 飛龍, 志津子 and Yiming, Tian and Takuya, Maekawa and Daichi, Amagata and Takahiro, Hara and Sakiko, Matsumoto and Ken, Yoda and Emyo, Fujioka and Fumiya, Hamai and Dai, Fukui and Shizuko, Hiryu},
 issue = {3},
 journal = {情報処理学会論文誌},
 month = {Mar},
 note = {本論文では，移動体から得られたマルチモーダル時系列データから高速に頻出ルールを抽出する手法の提案を行う．近年，センサ技術の進展により小型センサデバイスを動物に添付し，GPSにより動物の移動軌跡を計測するとともに，環境・生体センサにより移動にまつわる時系列センサデータも同時に計測することが可能となりつつある．本研究では，移動およびセンサの時系列データを，それぞれ複数のモードにセグメントし，異なるモーダルを跨いだ頻出ルールを高速に抽出する手法を提案する．たとえば移動軌跡から抽出された「局所探索」モードと生体センサから抽出された「緊張」モードが共起することが多いといったルールを抽出する．モードのセグメントに用いられるパラメータは様々な値をとる可能性があるため，得られるルールの有用性に基づきそれらを自動的に決定する．実データを用いた実験の結果から，提案手法は高速にルールを抽出できることを確認した．, This paper proposes a fast method that extracts frequent patterns from multi-modal time-series data obtained from a moving object. Due to the recent advance in sensing technologies, we can measure trajectories of animals from GPS modules as well as time-series sensor data related to locomotion from environmental and bio-sensors using small sensor nodes attached to the animals. The proposed method first segments time-series data, i.e., trajectory and sensor data, into multiple modes, and then extracts cross-modal frequent patterns from the segmented time-series. For example, we extract a rule describing that a “local search” mode extracted from trajectory data usually co-occurs with a “stress” mode extracted from bio-sensor data. Our method finds good parameters used in the segmentation according to the usefulness of rules. Our experiments using real datasets demonstrate the efficiency of our proposed method.},
 pages = {859--869},
 title = {マルチモーダル移動行動データからの高速な頻出共起ルール抽出手法},
 volume = {60},
 year = {2019}
}