担当区分：筆頭著者   記述言語：日本語  

インフラ設備や製造装置のセンサから時系列波形データを収集しAIにより異常や正常などの状態を自動判別する時系列波形異常診断技術に注目が集まっている．本稿では，インフラ・製造分野における技術課題として，AIの説明性，異常データの収集，誤判断のリスク管理，データの信頼性を述べる．次に，説明性のある波形診断技術としてshapelets学習法を説明し，残りの課題も解決するよう拡張した技術を産業分野への適用事例とともに紹介する．

DOI： 10.20729/00218781

担当区分：筆頭著者   掲載種別：研究論文（国際会議プロシーディングス）  

時系列データからshapeletsと呼ばれる波形パターンを獲得し特徴量を学習するクラス分類手法が，説明性があり高い分類性能を両立するため注目を集めている．これらの従来手法では古典的なシグモイド損失関数を用いている一方で，コンピュータビジョンなどの分野ではクラス間の特徴量を積極的に分離する損失関数が提案されている．本研究では，スケーリングを自動調整することでクラス分離性を強化する既存手法に着想を得てshapelets学習に適用可 能な損失関数を提案する．更に，理論的に特徴量をクラス間で引き離しながら縮小させる正則化を提案しshapeletsの説明性を維持する．UCRデータセットを用いた実験では，少数の shapeletsにおける説明性とAUCの性能向上を示す．

DOI： 10.1137/1.9781611977172.22

Scopus

担当区分：筆頭著者   掲載種別：研究論文（国際会議プロシーディングス）  

IoTの活用として機械学習による時系列インスタンスのクラス分類手法が研究されている．特に近年，分類器を学習しながら shapeletsと呼ばれる分類に用いる波形パターンを同時に学習する手法が，分類性能が高く説明性もあるため注目を集めている．本研究では，被験者の慣れ・季節性・機械の劣化などの影響によるshapeletsの変化を予測する技術を提案する．本提案では，時系列インスタンスとそれらが観測されたタイミングやクラスラベルから，shapeletsと分類器だけでなくshapeletsの変化を予測する回帰モデルも同時に学習するように数理最適化問題を定式化する．また本定式化から既製の回帰ソルバをブラックボックスとして利用できる解法を導出する．実験では被験者の慣れ・季節性・機械の劣化がある各産業分野への適用事例で有効性を示す．

DOI： 10.1109/ICDE53745.2022.00064

Scopus

担当区分：筆頭著者   掲載種別：研究論文（国際会議プロシーディングス）  

機械学習による時系列インスタンスのクラス分類問題において，分類に用いる波形パターン（shapelets）を学習する手法が，分類性能が高く説明性もあるため近年注目を集めている．これらの手法は非凸最適化問題として定式化され勾配降下法により局所最適解を見つける．そのため，shapeletsの初期値を適切に選ぶことが重要であり，本研究ではこれらの課題に向けてshapelets学習法を改良する．本研究では教師有り特徴選択の枠組みを導入し，時系列データを構成する大量の部分時系列から分類損失を削減するものを初期shapeletsとして選ぶ．その後，その分類損失を更に削減するように学習データの部分時系列に限定されないshapeletsを学習する．UCR時系列データセットを用いた実験では，shapeletsの個数が少ない場合のshapeletsの説明性と AUCの性能向上における有効性を示す．

DOI： 10.1137/1.9781611976700.30

Scopus

担当区分：筆頭著者   記述言語：英語   掲載種別：研究論文（学術雑誌）  

本論文はThe Best of SIAM Data Mining 2020 (Best of SDM 2020)に選定された際に招待されたジャーナルである．本稿には，追加の提案手法，実験評価，詳細説明，アルゴリズム，図，表，参考文献が含まれる．

IoTの活用に向けて時系列データにおけるクラス分類の研究が進められている．特に近年，分類器を学習 しながらshapeletsと呼ばれる分類に有効な波形パターンを同時に学習する手法が研究されており，分類性能が高く説明性のある手法として近年注目を集めている．一方，医療・製造・保守などの産業分野では，False Positive Rate（FPR）を低い範囲に絞ってArea Under the ROC curve（AUC）を測定するpartial AUC（pAUC）が実用上重要な性能指標となる場合が多い．本論文では，full AUCも含めて任意のFPRの範囲におけるpAUCを最大化するようにshapeletsと分類器とを同時に学習する手法を提案する．実験では，UCR時系列データセットを用いてpAUCの性能向上を示すとともに，各産業分野への適用事例でも有効性を示す．

DOI： 10.1089/big.2020.0069

掲載種別：研究論文（国際会議プロシーディングス）  

Large amounts of time-series data have become accessible due to the rapid development of Internet-of-Things technologies and the demand for extracting useful knowledge from these data is increasing. Toward this goal, time-series segmentation — dividing data into similar segments — is a promising method for understanding the mechanisms in time-series data. In this paper, we focus on time-lag that appears in real datasets. Time lag — a typical phenomenon in time-series data — occurs when the speed of information diffusion differs between variables. However, conventional methods cannot distinguish differences in segmentation positions. In response, we propose Lag-Aware Multivariate Time-Series Segmentation (LAMTSS), an algorithm capturing time-lag across variables to determine segmentation positions for each variable. LAMTSS utilizes dynamic time warping without hyperparameter tuning. We confirm the accuracy of LAMTSS using artificial datasets and demonstrate the discovery of useful knowledge in real datasets.

DOI： 10.1137/1.9781611976236.70

Scopus

担当区分：筆頭著者   掲載種別：研究論文（国際会議プロシーディングス）  

機械学習による時系列インスタンスのクラス分類問題において，分類に用いる波形パターン（shapelets）を学習する手法が，分類性能が高く説明性もあるため近年注目を集めている．これらの手法は非凸最適化問題として定式化され勾配降下法により局所最適解を見つける．そのため，時系列インスタンスの学習順序を適切に選ぶことが重要であり，本研究ではこれらの課題に向けてshapelets学習法を改良する．本研究ではカリキュラム学習の一種であるself-paced learningをshapelets学習法に導入し，shapeletsと分類器に加えて学習データの信頼度を同時に学習し，高信頼のインスタンスから優先的に学習する．また，shapeletsと時系列データとの乖離をロバストに測る距離を導入し，そのロバストさも同時に学習する．UCR時系列データセットを用いた実験では， shapeletsの説明性とAUCの性能向上における有効性を示す．

DOI： 10.1007/978-3-030-67658-2_34

Scopus

担当区分：筆頭著者   掲載種別：研究論文（国際会議プロシーディングス）  

Shapelets are time-series segments effective for classifying time-series instances. Joint learning of both classifiers and shapelets has been studied in recent years, because such methods provide both interpretable results and superior accuracy. Partial Area Under the ROC curve (pAUC) for a low range of False Positive Rates (FPR) is an important performance measure for practical cases in industries such as medicine, manufacturing, and maintenance. In this study, we propose a method that jointly learns both shapelets and a classifier for pAUC optimization in any FPR range, including the full AUC. We demonstrate superiority of pAUC on UCR time-series datasets and its effectiveness in industrial case studies.

DOI： 10.1137/1.9781611976236.1

Scopus

担当区分：筆頭著者   掲載種別：研究論文（国際会議プロシーディングス）  

Shapelets are time-series segments effective for classifying time-series datasets. In recent years, the discovery of shapelets by classifier learning has been studied. Methods for shapelet discovery have attracted great interest because they provide not only interpretable results but also superior classifi-cation performance. However, they do not consider imbalanced classifications between majority and minority classes, which may occur in actual applications (e.g., anomaly detection). Our aim is to learn shapelets and classifiers using only training data for the majority class without the minority class. We propose a method called one-class learning time-series shapelets (OCLTS). OCLTS efficiently and simultaneously optimizes both the shapelets and a non-linear classifier based on a one-class support vector machine by a stochastic sub-gradient descent algorithm. Experimental results show the method's effectiveness for interpretability and imbalanced binary classification.

DOI： 10.1109/BigData.2018.8622409

Scopus

担当区分：筆頭著者   掲載種別：研究論文（国際会議プロシーディングス）  

There is a need for forecasting of short-range future values in data streams such as traffic flows, stock prices, and electricity consumption. However, concept drift in non-stationary data streams is an important problem. We propose an online prediction method called OPOSSAM for such data streams. OPOSSAM manages time-series segments in short-term memory and long-term memory, and forecasts future values by local regression based on the similarity of time-series segments. In particular, OPOSSAM keeps long-term memory consistent by reducing redundant samples with large prediction errors, and automatically adjusts the prediction model based on short-term memory from the prior model learned from the entire memory in order to deal with concept drift. Experimental results show accuracy superior to that of baseline methods on real-world datasets of traffic flow, stock prices, and electricity consumption.

DOI： 10.1109/BigData.2018.8622585

Scopus

担当区分：筆頭著者   記述言語：英語   掲載種別：研究論文（学術雑誌）  

DOI： 10.2197/ipsjjip.25.107

記述言語：英語   掲載種別：研究論文（学術雑誌）  

DOI： 10.2197/ipsjjip.24.751

担当区分：筆頭著者   掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：IEEE  

DOI： 10.1109/rtcsa.2015.31

担当区分：筆頭著者   記述言語：日本語  

近年，自動車では自動運転や衝突回避などが研究開発され，複数のセンサに加えて車々間通信など入力データの到着タイミングやデータ量が変動する車外からのデータ活用が進められている．このようなセンサ情報処理では，センサからデータが発生してから処理が完了するまでのEnd-to-Endのデッドラインをミスしないリアルタイム制約が要求される．データストリーム処理では，低遅延なデータ処理を実現しながら，クエリにより複雑なセンサ情報処理の開発効率を高めることができ，これまで平均遅延時間の削減など様々な目的に応じたスケジューリング方式がネットワークや金融サービスなどの分野で多く研究されてきた．しかし，ストリーム処理で用いられる従来方式は，リアルタイム制約の維持を目的としておらず，この目的の達成には適切ではない．本論文では，リアルタイムスケジューリングのアルゴリズムであるEarliest Deadline Firstに基づくストリーム処理のスケジューリング方式を，これらのセンサ情報処理に適用可能な方式として実現する．これにより，データ量が増加しても優先度の高いデータ処理を遅らせずに処理できる．車々間通信からの入力データ量が増加する場合における車両衝突警告を想定して，提案方式を評価した．その結果，従来方式と比較して，デッドラインミスを削減し，リアルタイム制約を維持しながら車々間通信からの入力データを多く処理することで車両衝突事故の削減に有効であることを確認した．
Recent automotive systems use a variety of sensor data and communications from outside the vehicle to promote autonomous and safe driving. Such sensor data processing requires to maintain real-time constraints, which require to meet End-to-End deadlines between when data is read from a sensor and when it is processed. Data stream processing eases to design the complicated data processing by query description, and process data at a low latency. Scheduling of stream processing has well been studied according to various purposes such as reduction of average latency, in fields such as networks and financial services. However, the existing methods used in stream processing are not intended to maintain the real-time constraints, and are not appropriate to achieve this purpose. In this paper, we propose scheduling methods of stream processing, based on Earliest Deadline First, which is an algorithm of real-time scheduling, so that the method can be applied to the automotive sensor data processing. By the method, higher priority data can be processed without delaying when increasing the data volume. We evaluated the method by assuming the vehicle collision warning in case to increase the input volume of data from vehicle-to-vehicle (V2V) communications. As a result, we confirmed that the proposed method reduced the deadline miss and the vehicle crash by processing more input data from V2V communications while meeting the deadlines, comparing to the existing methods.

CiNii Books

CiNii Research

J-GLOBAL

担当区分：筆頭著者   掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：IEEE Computer Society  

DOI： 10.1109/ICDE.2015.7113377

その他リンク： https://dblp.uni-trier.de/db/conf/icde/icde2015.html#YamaguchiNSIWHT15

記述言語：英語   掲載種別：研究論文（学術雑誌）  

DOI： 10.14569/ijacsa.2015.060240

掲載種別：研究論文（学術雑誌）  

DOI： 10.4236/jtts.2015.52010

出版者・発行元：IEEE  

In the automotive field, intelligent control systems and information services using vehicle data are rapidly expanding. However, there is no software architecture to efficiently handle sensor data in vehicles and their surroundings. In order to address these problems and develop automotive software with higher productivity and trustworthiness, we have researched and developed data-centric software architecture for a data-stream management system for an automotive embedded system (eDSMS) and a stream local dynamic map (LDM) using eDSMS. An LDM is a collection of data that is intended to be used in cooperative intelligent transportation systems. In this paper, we present features of eDSMS and LDM using eDSMS, and demonstrate collision warning application software with eDSMS and a driver assistance system with a stream-based LDM.

DOI： 10.1109/uic-atc-scalcom.2014.29

CiNii Research

出版者・発行元：IEEE  

In the automotive field, intelligent control systems and information services using vehicle data are rapidly expanding. However, there is no software architecture to handle sensor data in vehicles and their surrounding efficiently. To solve these problems, we have researched and developed data centric software architecture for automotive systems. We have also developed a data-stream management system for automotive embedded system (eDSMS) as data centric software architecture. In this paper, we design eDSMS in the Android platform by extending the in-vehicle eDSMS to provide drivers and users with services on the basis of the embedded data processing of eDSMS in a vehicle. We create a class that manages stream processing in eDSMS in the Android platform and a communication method between Android applications and eDSMS in the Android platform with the stream. Application program interfaces for eDSMS in the Android platform and a sample program using the APIs are presented.

DOI： 10.1109/uic-atc.2013.39

CiNii Research

担当区分：筆頭著者  

記述言語：日本語   出版者・発行元：東京 : 電子情報通信学会情報・システムソサイエティ  

CiNii Books

CiNii Research

その他リンク： https://ndlsearch.ndl.go.jp/books/R000000004-I024135235

記述言語：日本語   出版者・発行元：FIT(電子情報通信学会・情報処理学会)運営委員会  

CiNii Books

CiNii Research

J-GLOBAL

J-GLOBAL

総ページ数：606p   記述言語：日本語  

CiNii Books

DOI： 10.1515/9781501504129-003

会議種別：公開講演，セミナー，チュートリアル，講習，講義等  

会議種別：口頭発表（招待・特別）  

会議種別：公開講演，セミナー，チュートリアル，講習，講義等  

記述言語：日本語   出版者・発行元：一般社団法人 人工知能学会  

DOI： 10.11517/jsaikbs.127.0_06

CiNii Research

担当区分：筆頭著者   記述言語：日本語   出版者・発行元：東京 : 技術情報協会  

CiNii Books

CiNii Research

その他リンク： https://ndlsearch.ndl.go.jp/books/R000000004-I032524458

担当区分：筆頭著者  

担当区分：筆頭著者  

J-GLOBAL

担当区分：筆頭著者   記述言語：日本語   出版者・発行元：東京 : 日本工業出版  

CiNii Books

CiNii Research

その他リンク： https://ndlsearch.ndl.go.jp/books/R000000004-I031307250

記述言語：日本語   出版者・発行元：東京 : 東芝技術企画部  

CiNii Books

CiNii Research

その他リンク： https://ndlsearch.ndl.go.jp/books/R000000004-I032361790

記述言語：日本語   出版者・発行元：一般社団法人 人工知能学会  

IoTの発展に伴い、大量の時系列データが取得可能になりつつある。このような時系列データから有用な知見を発見するために、多変量時系列データを特徴的なパターンに分割するセグメンテーション方法が注目を集めている。しかしながら、既存手法では分割位置が変数に関わらず同一であり、変数間の特徴を捉えることが困難であった。この問題に対応するために、各変数で適切な分割位置を求める手法を提案する。そして、人工データと実データを用いて提案手法の有効性を検証する。

DOI： 10.11517/pjsai.jsai2019.0_1i4j205

CiNii Research

担当区分：最終著者  

担当区分：筆頭著者   記述言語：日本語   出版者・発行元：東京 : 電気学会  

CiNii Books

CiNii Research

その他リンク： https://ndlsearch.ndl.go.jp/books/R000000004-I025840590

記述言語：日本語  

近年，自動車には多くの車載センサが搭載されており，センサから取得された運転データを用いて様々な安全運転支援システムが研究されている．これらの安全運転支援システムは，現在のセンサ情報をもとに，目の前にある危険を検知することを目的としている．新たなアプローチとして，運転行動をモデル化するという試みがなされている．これらのモデルを利用することで，リアルタイムに取得される運転データをもとに現在の状況を動的に判断することが可能となる．本研究では，車載センサを用いて取得された運転データをもとに確率モデルを作り，安全運転を支援するシステムの検討を行う．

CiNii Books

CiNii Research

記述言語：日本語   出版者・発行元：一般社団法人情報処理学会  

協調 ITS において,各車両に搭載されたセンサや車々間通信により取得した周辺交通情報や地図情報を階層的に管理する Local Dynamic Map(LDM) の検討がすすんでいる.我々は,LDM にデータストリーム管理システム (DSMS) を適用することにより高速な処理を実現するストリーム LDM を提案してきたが,静的な地図データはデータベース上で扱うため,地図データを取得,処理するための遅延時間が性能上のボトルネックとなっていた.本論文では,ストリーム LDM に地図データのストリーム化機構を導入することにより,静的な地図データも DSMS 上で高速に処理することを可能とし,この問題を解決できることを示す.車両走行シミュレーションデータを使った評価により,地図データとの空間演算の平均レイテンシにおいて,従来方式の数 10 倍の性能を得られることを確認した.

CiNii Books

CiNii Research

J-GLOBAL