本公開涉及使用機器學習模型預測異常事件的發(fā)生的技術，特別涉及使用基于機器學習的神經(jīng)網(wǎng)絡模型根據(jù)由多個測定器分別得到的多個數(shù)據(jù)時間序列來預測異常事件的發(fā)生的技術。

背景技術：

1、近年來，已經(jīng)提供了通過使用機器學習的方法分析由一個或多個參數(shù)構成的輸入數(shù)據(jù)來對一個或多個參數(shù)進行預測、分類或優(yōu)化的技術。例如，在機器學習的方法中，以往一直使用決策樹(decision?tree)和支持向量機(support?vector?machine，svm)，但近年來，模擬大腦中神經(jīng)細胞的網(wǎng)絡結構的神經(jīng)網(wǎng)絡模型(neural?network?model)也被大量使用。神經(jīng)網(wǎng)絡模型也可以稱為人工神經(jīng)網(wǎng)絡(artificial?neural?network，ann)，或者簡稱為神經(jīng)網(wǎng)絡。用于機器學習的神經(jīng)網(wǎng)絡大多是由多個處理層的組合組成的分層神經(jīng)網(wǎng)絡。一般來說，分層神經(jīng)網(wǎng)絡包括：用于接收輸入數(shù)據(jù)的輸入層、用于對輸入層的輸出數(shù)據(jù)進行處理的一個或多個中間層、以及基于中間層的輸出數(shù)據(jù)輸出最終處理結果的輸出層。

2、例如，在專利文獻1(日本特表2021-527906號公報)中公開了如下技術：能夠生成表示多個時間序列的系統(tǒng)狀態(tài)的簽名矩陣，并且根據(jù)生成的簽名矩陣，使用多個卷積神經(jīng)網(wǎng)絡和多個長短期記憶網(wǎng)絡(lstm網(wǎng)絡：long?short-term?memory?networks)的組合來預測異常事件的發(fā)生(參照專利文獻1的圖1至圖4及段落[0015]至段落[0047])。

3、現(xiàn)有技術文獻

4、專利文獻

5、專利文獻1：日本特表2021-527906號公報(國際公開第2020/046806號)

技術實現(xiàn)思路

1、發(fā)明所要解決的技術問題

2、在使用神經(jīng)網(wǎng)絡預測異常事件的發(fā)生時，與根據(jù)由與系統(tǒng)有關的一個測定器得到的一個數(shù)據(jù)時間序列預測異常事件的發(fā)生的情況相比，根據(jù)由與系統(tǒng)有關的多個不同的測定器得到的多個數(shù)據(jù)時間序列預測異常事件的發(fā)生的情況看起來更能期待較高的預測精度。

3、然而，在多個數(shù)據(jù)時間序列之間產(chǎn)生了測定時間不匹配或維度不匹配的情況下，即使通過預處理集成該多個數(shù)據(jù)時間序列來生成應用于nn模型的輸入數(shù)據(jù)，如果生成的輸入數(shù)據(jù)存在不匹配，則預測精度也可能不會提高。

4、作為測定時間不匹配的示例，存在如下情況：第一測定器的測定間隔為幾秒(即，第一測定器每幾秒提供測定量)，而第二測定器的測定間隔為幾分鐘(即，第二測定器每幾分鐘提供測定量)。作為測定時間不匹配的另一個示例，存在如下情況：第一測定器以等時間間隔提供測定量，而第二測定器以不等時間間隔提供測定量。另一方面，作為維度不匹配的示例，存在如下情況：第一測定器提供二維測定量[x(t)，y(t)]的數(shù)據(jù)時間序列，而第二測定器提供一維測定量z(t)的數(shù)據(jù)時間序列。這里，x(t)、y(t)、z(t)中的每一個是測定值(即標量)，t是表示離散的測定時間的變量。

5、鑒于上述情況，本公開的目的在于提供一種異常預測系統(tǒng)、方法及計算機程序，即使在由多個測定器得到的多個數(shù)據(jù)時間序列之間產(chǎn)生了不匹配的情況下，也能夠使用神經(jīng)網(wǎng)絡以高精度預測異常事件的發(fā)生。

6、用于解決問題的技術手段

7、根據(jù)本公開第一方面的異常預測系統(tǒng)是根據(jù)由多個測定器得到的多個數(shù)據(jù)時間序列來預測至少一個異常事件的發(fā)生的異常預測系統(tǒng)，所述異常預測系統(tǒng)包括：數(shù)據(jù)重構系統(tǒng)，所述數(shù)據(jù)重構系統(tǒng)被配置為根據(jù)所述多個數(shù)據(jù)時間序列重構包含多個測定參數(shù)和分別分配給該多個測定參數(shù)的多個相對時間值作為數(shù)組元素的多維數(shù)組數(shù)據(jù)；以及推斷運算部，所述推斷運算部被配置為通過基于具有用于接受所述多維數(shù)組數(shù)據(jù)的輸入層、包括一個或多個遞歸神經(jīng)網(wǎng)絡的中間層結構、以及輸出層的神經(jīng)網(wǎng)絡結構執(zhí)行運算來計算與所述異常事件相關的預測信息。

8、根據(jù)本公開的第二方面的方法是根據(jù)由多個測定器得到的多個數(shù)據(jù)時間序列來預測至少一個異常事件的發(fā)生的方法，所述方法包括：根據(jù)所述多個數(shù)據(jù)時間序列重構包含多個測定參數(shù)和分別分配給該多個測定參數(shù)的多個相對時間值作為數(shù)組元素的多維數(shù)組數(shù)據(jù)的步驟；以及通過基于具有用于接受所述多維數(shù)組數(shù)據(jù)的輸入層、包括一個或多個遞歸神經(jīng)網(wǎng)絡的中間層結構、以及輸出層的神經(jīng)網(wǎng)絡結構執(zhí)行運算來計算與所述異常事件相關的預測信息的步驟。

9、根據(jù)本公開的第三方面的計算機程序是從非易失性存儲器讀出并由一個或多個處理器執(zhí)行的計算機程序，其被配置為使所述一個或多個處理器實施根據(jù)第二方面的方法。

10、發(fā)明效果

11、根據(jù)本公開的第一至第三方面，根據(jù)由多個測定器得到的多個數(shù)據(jù)時間序列，重構包含多個測定參數(shù)和分別分配給該多個測定參數(shù)的多個相對時間值作為數(shù)組元素的多維數(shù)組數(shù)據(jù)，將該多維數(shù)組數(shù)據(jù)作為輸入，基于神經(jīng)網(wǎng)絡結構執(zhí)行運算。由此，即使在多個數(shù)據(jù)時間序列之間產(chǎn)生了維度不匹配、測定時間不匹配，也能夠生成具有能夠通過神經(jīng)網(wǎng)絡結構對不匹配進行補償?shù)臉嫵傻亩嗑S數(shù)組數(shù)據(jù)，或者生成沒有不匹配的多維數(shù)組數(shù)據(jù)。這里，所謂能夠通過神經(jīng)網(wǎng)絡結構對不匹配進行補償?shù)臉嫵?，是指重構為即使神?jīng)網(wǎng)絡結構接受了具有不匹配的多維數(shù)組數(shù)據(jù)也能夠正常地處理該多維數(shù)組數(shù)據(jù)的構成。在這樣的多維數(shù)組數(shù)據(jù)中，不僅包含多個測定參數(shù)，還包含分別分配給(換言之，刻印在)這些測定參數(shù)的多個相對時間值作為時間信息，因此能夠將時間信息正確對應的測定參數(shù)組作為輸入來基于神經(jīng)網(wǎng)絡結構執(zhí)行運算。由此，能夠以高精度計算預測信息。

技術特征：

1.一種異常預測系統(tǒng)，所述異常預測系統(tǒng)根據(jù)由多個測定器得到的多個數(shù)據(jù)時間序列來預測至少一個異常事件的發(fā)生，所述異常預測系統(tǒng)包括：

2.根據(jù)權利要求1所述的異常預測系統(tǒng)，其中，所述預測信息是表示指示所述異常事件的程度的風險度和可能發(fā)生所述異常事件的預測時間的組的信息。

3.根據(jù)權利要求1所述的異常預測系統(tǒng)，其中，

4.根據(jù)權利要求3所述的異常預測系統(tǒng)，其中，

5.根據(jù)權利要求1所述的異常預測系統(tǒng)，其中，

6.根據(jù)權利要求4或5所述的異常預測系統(tǒng)，其中，

7.根據(jù)權利要求6所述的異常預測系統(tǒng)，其中，

8.根據(jù)權利要求4或5所述的異常預測系統(tǒng)，其中，

9.根據(jù)權利要求3所述的異常預測系統(tǒng)，其中，

10.根據(jù)權利要求9所述的異常預測系統(tǒng)，其中，所述多維數(shù)組數(shù)據(jù)由三階張量構成。

11.根據(jù)權利要求9所述的異常預測系統(tǒng)，其中，

12.根據(jù)權利要求9所述的異常預測系統(tǒng)，其中，

13.根據(jù)權利要求9所述的異常預測系統(tǒng)，其中，

14.根據(jù)權利要求13所述的異常預測系統(tǒng)，其中，

15.根據(jù)權利要求1至5、9至14中任一項所述的異常預測系統(tǒng)，進一步包括反饋控制部，所述反饋控制部根據(jù)所述預測信息，進行對包括所述多個測定器中的至少一個的設備的操作條件進行更改的控制。

16.一種根據(jù)由多個測定器得到的多個數(shù)據(jù)時間序列來預測至少一個異常事件的發(fā)生的方法，包括：

17.根據(jù)權利要求16所述的方法，其中，所述預測信息是表示指示所述異常事件的程度的風險度和可能發(fā)生所述異常事件的預測時間的組的信息。

18.根據(jù)權利要求16所述的方法，其中，

19.根據(jù)權利要求16所述的方法，其中，

20.根據(jù)權利要求18或19所述的方法，其中，

21.根據(jù)權利要求20所述的方法，其中，

22.根據(jù)權利要求18或19所述的方法，其中，

23.根據(jù)權利要求16所述的方法，其中，

24.根據(jù)權利要求23所述的方法，其中，所述多維數(shù)組數(shù)據(jù)由三階張量構成。

25.根據(jù)權利要求23所述的方法，其中，

26.根據(jù)權利要求23所述的方法，其中，

27.根據(jù)權利要求23所述的方法，其中，

28.根據(jù)權利要求27所述的方法，其中，

29.根據(jù)權利要求16至19、23至28中任一項所述的方法，進一步包括：根據(jù)所述預測信息，進行對包括所述多個測定器中的至少一個的設備的操作條件進行更改的控制的步驟。

30.一種計算機程序，所述計算機程序從非易失性存儲器讀出并由一個或多個處理器執(zhí)行，并且被配置為使所述一個或多個處理器實施權利要求16至19、23至28中任一項所述的方法。

31.一種計算機程序，所述計算機程序從非易失性存儲器讀出并由一個或多個處理器執(zhí)行，并且被配置為使所述一個或多個處理器實施權利要求29所述的方法。

技術總結
提供一種異常預測系統(tǒng)，即使在由多個測定器得到的多個數(shù)據(jù)時間序列之間產(chǎn)生了不匹配的情況下，也能夠使用神經(jīng)網(wǎng)絡根據(jù)多個數(shù)據(jù)時間序列以高精度預測異常事件的發(fā)生。所述異常預測系統(tǒng)包括：數(shù)據(jù)重構系統(tǒng)，所述數(shù)據(jù)重構系統(tǒng)被配置為根據(jù)由多個測定器得到的多個數(shù)據(jù)時間序列重構包含多個測定參數(shù)和分別分配給該多個測定參數(shù)的多個相對時間值作為數(shù)組元素的多維數(shù)組數(shù)據(jù)；以及推斷處理部，所述推斷處理部被配置為通過基于具有用于接收所述多維數(shù)組數(shù)據(jù)的輸入層、包括一個或多個遞歸神經(jīng)網(wǎng)絡的中間層結構、以及輸出層的神經(jīng)網(wǎng)絡結構執(zhí)行運算來計算與異常事件相關的預測信息。

技術研發(fā)人員：木村洋紀,金成泰
受保護的技術使用者：日機裝株式會社
技術研發(fā)日：
技術公布日：2024/12/10