大規模時系列テンソルによる多角的イベント予測

• Item type: Trans(1)
• 公開日: 2020-01-27
• タイトル: 大規模時系列テンソルによる多角的イベント予測
• タイトル / 言語: en
• タイトル: Multi-aspect Tensor Mining for Event Forecasting
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: [研究論文] 時系列テンソル，センサデータ，イベント予測
• 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
• 著者所属: 大阪大学産業科学研究所産業科学AIセンター／熊本大学
• 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
• 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): ISIR, Osaka University / Kumamoto University
• 著者所属(英): en
• 著者所属(英): ISIR, Osaka University
• 著者所属(英): en
• 著者所属(英): ISIR, Osaka University
• 著者所属(英): en
• 著者所属(英): ISIR, Osaka University
• 著者名: 本田, 崇人; 松原, 靖子; 川畑, 光希; 櫻井, 保志
• 著者名(英): Takato, Honda; Yasuko, Matsubara; Koki, Kawabata; 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，大規模時系列センサデータのためのイベント予測手法であるSplitCastについて述べる．SplitCastは（facility，sensor，time）の三つ組で構成される工場設備センサデータから，複数の観点に基づく多角的な時系列パターンを統合的に解析，要約し，将来の長期的なイベント予測を行う．具体的には，工場設備に取り付けられた回転速度，稼働電圧，設備温度等，各設備におけるセンサデータの実測値で構成される時系列データが与えられたとき，提案手法は，(a)基本的な時系列パターン，各設備間における共通パターンや設備固有のパターンを抽出し，統計的に要約することで，(b)将来的なイベント予測を行う．さらに，これらの処理は(c)データサイズに対して線形である．実データを用いた実験では，提案手法が工場設備センサデータに含まれる特徴的な時系列パターンを多角的にとらえ長期的なイベント予測を行うことを確認し，さらに，最新の既存手法と比較し大幅な精度，性能向上を達成してい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: In recent years, a massive amount of time-stamped sensor data has been generated from smart factories. Given such a large collection of complex sensor sequences, which consists of multiple attributes (e.g., facility, sensor, time), how can we find important time series patterns and point of variation? How can we summarize all the complex sensor sequences as statistical model? Also, can we predict long-term future events? In this paper, we present SPLITCAST, an efficient and effective method for forecasting time-evolving sensor sequences. Our method has the following properties: (a) Effective: it detects important patterns and enables long-range forecasting; (b) Practical: it operates on real smart factory dataset and successfully predict machine troubles; (c) Scalable: our method is carefully designed to be linear on the input size. Extensive experiments on real smart factory dataset demonstrate that SPLITCAST does indeed make long-range forecasts, and it outperforms state-of-the-art competitors as regards accuracy.
• 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 13, 号 1, p. 8-19, 発行日 2020-01-27
• 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