時間変化する因果関係の抽出に基づいた高速将来予測

• Item type: Trans(1)
• 公開日: 2026-04-21
• タイトル / 言語: ja
• タイトル: 時間変化する因果関係の抽出に基づいた高速将来予測
• タイトル / 言語: en
• タイトル: Modeling Time-evolving Causality and Forecasting in Data Streams
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: [研究論文] 時系列データ分析，ストリームデータ，動的システム，因果探索
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_6501
• 資源タイプ: journal article
• ID登録: 10.20729/0002009109
• ID登録 / ID登録タイプ: JaLC
• 著者所属: 大阪大学産業科学研究所産業科学AIセンター／大阪大学大学院情報科学研究科
• 著者所属: 大阪大学産業科学研究所産業科学AIセンター
• 著者所属: 大阪大学産業科学研究所産業科学AIセンター／大阪大学大学院情報科学研究科
• 著者所属: 大阪大学産業科学研究所産業科学AIセンター
• 著者所属(英): en
• 著者所属(英): SANKEN, The University of Osaka / IST, The University of Osaka
• 著者所属(英): en
• 著者所属(英): SANKEN, The University of Osaka
• 著者所属(英): en
• 著者所属(英): SANKEN, The University of Osaka / IST, The University of Osaka
• 著者所属(英): en
• 著者所属(英): SANKEN, The University of Osaka
• 著者名: 千原,直己; 松原,靖子; 藤原,廉; 櫻井,保志
• 著者名(英): Naoki Chihara; Yasuko Matsubara; Ren Fujiwara; Yasushi Sakurai
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 本論文では，大規模時系列データストリーム中の時間変化する因果関係の抽出および将来予測を同時に行うための最新手法ModePlaitを提案する．提案手法は以下の優れた特性をすべて満たす．(a)時々刻々と変化する環境の移り変わりに従って変化する因果関係を明らかにする．(b)時間変化する因果関係の抽出および将来予測を同時かつ正確に行う．(c)計算時間は時系列データストリーム全体の長さに依存せず，高速に処理を行う．人工データおよび実データを用いた評価実験により，提案手法が最新の既存手法に比べて因果探索，将来予測の両方の観点において高精度であること，そして，計算効率の良い高速な処理が可能であることを明らかにした．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: We study the novel problem of discovering the time-varying cause-and-effect relationships across transitions of dynamical patterns in multivariate co-evolving data streams. To solve such a problem, we present a streaming method, ModePlait, which is designed for modeling such causal relationships (i.e., time-evolving causality) and forecasting their future values. ModePlait has the following desirable properties: (a) Effective: it discovers the time-evolving causality in multivariate co-evolving data streams by detecting the transitions of distinct dynamical patterns adaptively. (b) Accurate: it enables both the discovery of time-evolving causality and the forecasting of future values in a streaming fashion. (c) Scalable: our algorithm does not depend on data stream length and thus is applicable to very large sequences. Extensive experiments on both synthetic and real-world datasets demonstrate that our proposed model outperforms state-of-the-art methods in terms of discovering the time-evolving causality as well as forecasting.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AA11464847
• 書誌情報: 情報処理学会論文誌データベース（TOD）; 巻 19, 号 2, p. 70-81, 発行日 2026-04-21
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 1882-7799
• 出版者 / 言語: ja
• 出版者: 情報処理学会