@article{oai:ipsj.ixsq.nii.ac.jp:00206919,
 author = {加藤, 慎也 and 天方, 大地 and 原, 隆浩 and Shinya, Kato and Daichi, Amagata and Takahiro, Hara},
 issue = {9},
 journal = {情報処理学会論文誌},
 month = {Sep},
 note = {近年，多くのIoT機器は多次元ストリーミング時系列データを生成しており，それらを分析することに注目が集まっている． 時系列データを分析する最も重要な技術として，時系列データのなかに最も多く現れるサブシーケンスであるレンジモチーフがある． 本論文では，多次元ストリーミング時系列データに対してレンジモチーフをモニタリングする問題に取り組む． この問題を解決するため，新たな値を観測した際，新たに生成された多次元サブシーケンスとこれまでに生成されたすべての多次元サブシーケンスとの距離を計算することが考えられるが，これは効率的ではない． そのため，効率的にレンジモチーフをモニタリングするアルゴリズムMMM（Multi-dimensional Motif Monitoring）を提案する． MMMでは，サブシーケンスをクラスタに分割し，三角不等式を用いることで不必要な距離計算の回数を削減する． 4つの実データを用いた実験により，MMMの有効性を確認する．, Recent IoT-based applications generate multi-dimensional streaming time-series, and time-series analysis has been receiving much attention. Discovering a range motif, which is a subsequence that repetitively appears the most in a time-series, is one of the most important tools for analyzing time-series. This paper addresses the problem of monitoring a range motif of a multi-dimensional streaming time-series. Whenever a new value is observed, a new subsequence is generated. A straightforward solution for monitoring a range motif is to scan all subsequences while computing their occuring counts measured by a similarity function. However, this is not efficient. We therefore propose an efficient algorithm, namely MMM (Multi-dimensional Motif Monitoring). The main ideas of MMM are to cluster subsequences and to utilize triangular inequality. Based on them, MMM prunes unnecessary distance computation. Our experiments using four real datasets demonstrate that MMM scales well and shows better performance than a baseline.},
 pages = {1567--1576},
 title = {多次元ストリーミング時系列データの効率的なモチーフモニタリングアルゴリズム},
 volume = {61},
 year = {2020}
}