[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

JP6128501B2 - Time-series data analysis device, time-series data analysis method, and program - Google Patents

Time-series data analysis device, time-series data analysis method, and program Download PDF

Info

Publication number
JP6128501B2
JP6128501B2 JP2016054217A JP2016054217A JP6128501B2 JP 6128501 B2 JP6128501 B2 JP 6128501B2 JP 2016054217 A JP2016054217 A JP 2016054217A JP 2016054217 A JP2016054217 A JP 2016054217A JP 6128501 B2 JP6128501 B2 JP 6128501B2
Authority
JP
Japan
Prior art keywords
data
rule
feature
acquisition unit
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2016054217A
Other languages
Japanese (ja)
Other versions
JP2016106338A (en
Inventor
孝太 坪内
孝太 坪内
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yahoo Japan Corp
Original Assignee
Yahoo Japan Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yahoo Japan Corp filed Critical Yahoo Japan Corp
Priority to JP2016054217A priority Critical patent/JP6128501B2/en
Publication of JP2016106338A publication Critical patent/JP2016106338A/en
Application granted granted Critical
Publication of JP6128501B2 publication Critical patent/JP6128501B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Description

本発明は、時系列のデータを解析する時系列データ解析装置等に関するものである。   The present invention relates to a time-series data analysis device for analyzing time-series data.

従来、時系列のデータから規則性を取得する装置が開発されている(例えば、特許文献1参照)。   Conventionally, an apparatus for acquiring regularity from time-series data has been developed (see, for example, Patent Document 1).

特開2006−338373号公報JP 2006-338373 A

しかしながら、従来の時系列のデータを解析する装置においては、1種類の時系列のデータからは1種類の特徴量データのみしか取得しておらず、時系列のデータを有効に活用できていないという課題があった。   However, in a conventional device for analyzing time-series data, only one type of feature amount data is acquired from one type of time-series data, and time-series data cannot be effectively used. There was a problem.

上記課題に対し、本発明の目的は、時系列のデータを有効に活用することである。   In view of the above problems, an object of the present invention is to effectively use time-series data.

本発明の一態様は、観測対象に対する観測データである1種類以上の時系列の観測データを取得する観測データ取得部と、前記観測データ取得部により取得された1種類以上の時系列の観測データのうち1種類の観測データを、第1の期間と、前記第1の期間よりも短い前記第2の期間とで分割し、前記分割した第1の期間のそれぞれにおける特徴的な値の時系列データである第1の特徴量データと、前記分割した第2の期間のそれぞれにおける特徴的な値の時系列データである第2の特徴量データを取得する特徴量データ取得部と、前記特徴データ取得部により取得された第1の特徴量データを用いて、前記対象に関する第1規則を取得する第1規則取得部と、前記特徴データ取得部により取得された第2の特徴量データを用いて、前記対象に関する第2規則を取得する第2規則取得部と、前記第1規則取得部が取得した第1規則と、前記第2規則取得部が取得した第2規則とを出力する出力部とを備える時系列データ解析装置である。   One aspect of the present invention is an observation data acquisition unit that acquires one or more types of time-series observation data that is observation data for an observation target, and one or more types of time-series observation data acquired by the observation data acquisition unit. Is divided into a first period and the second period shorter than the first period, and a time series of characteristic values in each of the divided first periods First feature quantity data that is data, a feature quantity data acquisition unit that acquires second feature quantity data that is time-series data of characteristic values in each of the divided second periods, and the feature data Using the first feature amount data acquired by the acquisition unit, the first rule acquisition unit that acquires the first rule related to the object, and the second feature amount data acquired by the feature data acquisition unit The pair A second rule acquisition unit that acquires a second rule related to the first rule, a first rule acquired by the first rule acquisition unit, and an output unit that outputs the second rule acquired by the second rule acquisition unit This is a series data analysis device.

本発明の一態様によれば、時系列のデータを有効に活用することができる。   According to one embodiment of the present invention, time-series data can be used effectively.

実施の形態1における時系列データ解析装置のブロック図Block diagram of time-series data analysis apparatus according to Embodiment 1 同実施の形態における観測データ格納手段に格納されている観測データの一例を示す図The figure which shows an example of the observation data stored in the observation data storage means in the embodiment 同実施の形態における特徴量データ取得手段が特徴量を取得する方法を説明するための図The figure for demonstrating the method in which the feature-value data acquisition means in the embodiment acquires a feature-value 同実施の形態における状態ラベル設定手段、および行動ラベル設定手段がラベルを設定する方法を説明するための図The figure for demonstrating the method in which the state label setting means in the same embodiment and the action label setting means set a label 同実施の形態における状態規則取得手段、および行動規則取得手段が規則を取得する方法を説明するための図The figure for demonstrating the method in which the state rule acquisition means and action rule acquisition means in the embodiment acquire a rule 同実施の形態における時系列データ解析装置の動作を示すフローチャートThe flowchart which shows operation | movement of the time series data analysis apparatus in the embodiment 同実施の形態におけるコンピュータシステムの外観の一例を示す図The figure which shows an example of the external appearance of the computer system in the embodiment 同実施の形態におけるコンピュータシステムの構成の一例を示す図The figure which shows an example of a structure of the computer system in the embodiment

以下、時系列データ解析装置等の実施形態について図面を参照して説明する。なお、実施の形態において同じ符号を付した構成要素は同様の動作を行うので、再度の説明を省略する場合がある。   Hereinafter, embodiments of a time-series data analysis device and the like will be described with reference to the drawings. In addition, since the component which attached | subjected the same code | symbol in embodiment performs the same operation | movement, description may be abbreviate | omitted again.

(実施の形態1)
本実施の形態において、時系列の観測データから状態に関する規則と行動に関する規則を取得する時系列データ解析装置1について説明する。図1は、本実施の形態における時系列データ解析装置1のブロック図である。
(Embodiment 1)
In the present embodiment, a time-series data analysis device 1 that acquires state-related rules and behavior-related rules from time-series observation data will be described. FIG. 1 is a block diagram of a time-series data analysis apparatus 1 in the present embodiment.

時系列データ解析装置1は、観測データ格納手段101、特徴量データ取得手段102、状態規則(第1規則)取得手段103、行動規則(第2規則)取得手段104、および出力手段105を備える。また、状態規則取得手段103は、状態ラベル(第1ラベル)設定手段21、および状態規則特定手段22を備える。また、行動規則取得手段104は、行動ラベル(第2ラベル)設定手段23、および行動規則特定手段24を備える。   The time-series data analysis apparatus 1 includes an observation data storage unit 101, a feature data acquisition unit 102, a state rule (first rule) acquisition unit 103, an action rule (second rule) acquisition unit 104, and an output unit 105. The state rule acquisition unit 103 includes a state label (first label) setting unit 21 and a state rule specifying unit 22. The behavior rule acquisition unit 104 includes a behavior label (second label) setting unit 23 and a behavior rule specifying unit 24.

観測データ格納手段101には、観測対象に対する観測データである1種類以上の時系列の観測データが格納される。以下、観測対象に対する観測データを対象観測データということもある。観測対象は、自ら行動するものが好適であるが、自ら行動するもの以外であっても良い。自ら行動するものは、例えば、動物であることが好適であるが、植物であっても良く、人間であっても良く、人間でなくても良い。自ら行動するもの以外では、例えば、乗り物であっても良く、可動部のある道具等であっても良い。時系列の観測データは、所定の間隔ごとに各種のセンサによって取得されたデータが連続しているデータである。所定の間隔は、一定であっても良く、不定であっても良い。所定の間隔は、例えば、1秒間に1回の間隔であっても良く、10秒間に1回の間隔であっても良い。所定の間隔は、状態規則、または行動規則を取得するために必要な間隔以下であれば良い。   The observation data storage means 101 stores one or more types of time-series observation data that are observation data for the observation target. Hereinafter, the observation data for the observation target may be referred to as target observation data. The observation target is preferably one that acts on its own, but may be other than one that acts on its own. For example, an object that acts on its own is preferably an animal, but may be a plant, a human, or not a human. For example, a vehicle other than the one that acts on its own, a tool having a movable part, or the like may be used. The time-series observation data is data in which data acquired by various sensors at a predetermined interval is continuous. The predetermined interval may be constant or indefinite. The predetermined interval may be, for example, once every second or once every 10 seconds. The predetermined interval may be equal to or less than an interval necessary for acquiring the state rule or the behavior rule.

時系列の対象観測データは、カメラで観測対象を撮影した動画、およびその観測対象が発した音をマイクで集音した音声等が好適であるが、各種のセンサを用いて取得されたデータであれば何でも良い。例えば、時系列の対象観測データは、サーモグラフィで計測した体温を示す時系列のデータであっても良く、対象に付けたGPSで取得した位置の時系列データであっても良く、対象に取り付けたジャイロセンサから取得した対象の角度を示す時系列のデータであっても良く、動物である観測対象に取り付けた脈拍計で取得した脈拍の時系列データであっても良い。なお、観測対象が発した音は、観測対象から発生した鳴き声等の音声であっても良く、観測対象が動作することによって発生した音声であっても良い。観測対象が動作することによって発生した音声とは、例えば、リスがひまわりの種を割っている音であっても良く、アライグマが食べ物を洗う際の水音等であっても良く、自動車のタイヤと路面とがこすれ合う音であっても良い。また、各種のセンサを用いて取得された対象観測データは、各種のセンサを用いて取得されたデータそのままであっても良く、その各種のセンサを用いて取得されたデータから算出されたデータであっても良い。センサを用いて取得されたデータから算出されたデータである観測対象データは、例えば、2以上のビデオカメラを用いて取得された観測対象の移動履歴を示す時系列の3次元座標データ等であっても良い。   The time-series target observation data is preferably a video obtained by photographing the observation target with a camera, or a sound obtained by collecting sound generated by the observation target with a microphone, etc., but is data acquired using various sensors. Anything is fine. For example, the time-series target observation data may be time-series data indicating the body temperature measured by thermography, or may be time-series data of the position acquired by the GPS attached to the target, and attached to the target. It may be time-series data indicating the angle of a target acquired from a gyro sensor, or may be time-series data of a pulse acquired by a pulse meter attached to an observation target that is an animal. Note that the sound emitted from the observation target may be a sound such as a cry generated from the observation target, or may be a sound generated when the observation target operates. The sound generated by the movement of the observation target may be, for example, the sound of a squirrel breaking a sunflower seed, or the sound of a raccoon washing food. Sounds that rub against the road surface. In addition, the target observation data acquired using various sensors may be the data acquired using the various sensors as they are, or data calculated from the data acquired using the various sensors. There may be. Observation target data that is data calculated from data acquired using a sensor is, for example, time-series three-dimensional coordinate data indicating the movement history of an observation target acquired using two or more video cameras. May be.

また、観測データ格納手段101には、外部環境に関する時系列の観測データが格納されても良い。また、外部環境に関する観測データを外部環境観測データともいうこともある。なお、対象観測データ、および外部環境観測データを総称して観測データということもある。外部環境とは、観測対象の周囲の環境に関する事象のことである。周囲の環境は、観測対象に影響を与える圏内の環境であれば何でも良い。周囲の環境は、対象のケージの周辺であっても良く、ケージが置かれている部屋等であっても良い。外部環境観測データは、各種のセンサを用いて取得された外部環境に関するデータであれば何でも良い。例えば、時系列の外部環境観測データは、カメラで撮影した動画であっても良く、マイクで集音した音声を示す時系列のデータであっても良く、温度計が取得した気温を示す時系列のデータであっても良く、雨量計が取得した降水量を示す時系列のデータであっても良く、気圧計が取得した気圧を示す時系列のデータであっても良く、風力計が取得した風の強さを示す時系列のデータ等であっても良い。また、各種のセンサを用いて取得された外部環境観測データは、各種のセンサを用いて取得されたデータそのままであっても良く、その各種のセンサを用いて取得されたデータから算出されたデータであっても良い。また、センサを用いて取得されたデータから算出されたデータである外部環境観測データは、例えば、温度計が取得した温度の履歴から算出された、時系列の現在と数時間前の温度差を示すデータであっても良く、2以上の温度計が取得した室内と室外の温度から算出された、時系列の温度差を示すデータであっても良い。対象観測データ、および外部環境観測データを取得するために用いる各センサは、すべて公知技術であるため、詳細な説明は省略する。   The observation data storage unit 101 may store time-series observation data related to the external environment. In addition, observation data related to the external environment is sometimes referred to as external environment observation data. The target observation data and the external environment observation data may be collectively referred to as observation data. The external environment is an event related to the environment around the observation target. The surrounding environment may be anything as long as it is in an area that affects the observation target. The surrounding environment may be around the target cage, or a room where the cage is placed. The external environment observation data may be any data related to the external environment acquired using various sensors. For example, the time-series external environment observation data may be a moving image captured by a camera, time-series data indicating sound collected by a microphone, or time-series indicating temperature acquired by a thermometer. The time series data indicating the precipitation obtained by the rain gauge or the time series data indicating the atmospheric pressure obtained by the barometer may be used. It may be time-series data indicating the strength of the wind. In addition, external environment observation data acquired using various sensors may be data acquired using various sensors as they are, and data calculated from data acquired using the various sensors. It may be. In addition, external environment observation data that is data calculated from data acquired using a sensor is, for example, a temperature difference calculated from a temperature history acquired by a thermometer and a temperature difference several hours ago. The data may also be data indicating time-series temperature differences calculated from indoor and outdoor temperatures acquired by two or more thermometers. Since each sensor used for acquiring the target observation data and the external environment observation data is a known technique, detailed description thereof is omitted.

観測データ格納手段101には、2種類以上の時系列の対象観測データが格納されていても良い。観測データ格納手段101に2種類以上の時系列の対象観測データが格納されている場合は、観測データ格納手段101には、例えば、図2のような観測データが格納される。観測データ格納手段101に格納されている各観測データは、共通する期間を含むデータである。つまり、任意の期間、例えば2013年1月1日0時0分0秒から同0時0分5秒までの期間に観測された2種類以上の時系列の観測データが格納されていることが好適である。また、観測データ格納手段101は、各時系列の観測データに共通する期間に含まれる特定の時点の各観測データの情報が同期できるように格納することが好適である。各時系列の観測データを同期するために、各時系列の観測データは、例えば、タイムコード等の同期に必要な情報を有していても良い。以下、観測データ格納手段101には、2種類の対象観測データと1種類の外部環境観測データとが格納されているものとして、主に説明する。観測データ格納手段101は、不揮発性の記録媒体が好適であるが、揮発性の記録媒体でも実現可能である。観測データ格納手段101に観測データが格納される過程は問わない。例えば、記録媒体を介して観測データが観測データ格納手段101で格納されるようになっても良く、通信回線等を介して送信された観測データが観測データ格納手段101で格納されるようになっても良く、あるいは、入力デバイスを介して入力された観測データが観測データ格納手段101で格納されるようになっても良い。なお、「2種類以上の観測データ」は、2種類以上の異なるセンサで取得した観測データであることを示している。   The observation data storage unit 101 may store two or more types of time-series target observation data. When two or more types of time-series target observation data are stored in the observation data storage unit 101, the observation data storage unit 101 stores, for example, observation data as shown in FIG. Each observation data stored in the observation data storage means 101 is data including a common period. In other words, two or more types of time-series observation data observed during an arbitrary period, for example, from January 1, 2013, 00:00:00 to 00: 00: 5 are stored. Is preferred. The observation data storage means 101 is preferably stored so that information of each observation data at a specific time point included in a period common to each time-series observation data can be synchronized. In order to synchronize the observation data of each time series, the observation data of each time series may have information necessary for synchronization such as a time code, for example. Hereinafter, the observation data storage unit 101 will mainly be described assuming that two types of target observation data and one type of external environment observation data are stored. The observation data storage means 101 is preferably a non-volatile recording medium, but can also be realized by a volatile recording medium. The process in which the observation data is stored in the observation data storage means 101 does not matter. For example, observation data may be stored in the observation data storage means 101 via a recording medium, and observation data transmitted via a communication line or the like is stored in the observation data storage means 101. Alternatively, the observation data input via the input device may be stored in the observation data storage means 101. Note that “two or more types of observation data” indicates observation data acquired by two or more types of different sensors.

特徴量データ取得手段102は、観測データ格納手段101に格納されている、1種類の対象観測データから、特徴的な値の時系列データである2種類以上の特徴量データを取得する。また、特徴量データ取得手段102は、外部環境に関する時系列の観測データからも、特徴的な値の時系列データである外部環境特徴量データを取得しても良い。特徴量データは、例えば、図3のように、観測データを、所定の期間ごとに分割し、その分割した各期間における特徴的な値を時系列に並べたデータである。特徴量データの値は、所定の期間における最大値であっても良く、所定の期間における最小値であっても良く、所定の期間における平均値であっても良く、所定の期間における波形の傾きであっても良く、所定の期間における波形をフーリエ変換して取得した特徴的な値であっても良く、所定の期間における移動量を時間で微分した値であっても良く、所定の期間における移動量を時間で2回微分した値であっても良く、その他のアルゴリズムで取得される値等であっても良い。また、特徴量データは、上記のようにして取得した値と対応付けられた値であっても良い。例えば、特徴量データ取得手段102は、図示しない格納手段に格納されている対応表を用いて、上記のようにして取得した各値に対応する特徴量データの値を取得しても良い。具体的には、特徴量データ取得手段102は、音量の大きさに応じて特徴量データの値を5段階に分ける対応表を用いて、鳴き声の音量に関する特徴量データを取得しても良い。なお、特徴量データの値は、上記のようにして取得した値を任意の桁を丸めた数値であっても良い。値を丸める方法は、四捨五入であっても良く、切り捨てであっても良く、切り上げであっても良い。   The feature amount data acquisition unit 102 acquires two or more types of feature amount data that are time-series data of characteristic values from one type of target observation data stored in the observation data storage unit 101. The feature data acquisition unit 102 may acquire external environment feature data that is time-series data of characteristic values also from time-series observation data related to the external environment. For example, as shown in FIG. 3, the feature amount data is data in which observation data is divided every predetermined period and characteristic values in the divided periods are arranged in time series. The value of the feature amount data may be a maximum value in a predetermined period, a minimum value in a predetermined period, an average value in a predetermined period, or a slope of a waveform in a predetermined period. It may be a characteristic value obtained by Fourier-transforming a waveform in a predetermined period, a value obtained by differentiating the movement amount in a predetermined period with time, and in a predetermined period. It may be a value obtained by differentiating the movement amount twice with respect to time, or may be a value obtained by another algorithm. The feature amount data may be a value associated with the value acquired as described above. For example, the feature amount data acquisition unit 102 may acquire the value of feature amount data corresponding to each value acquired as described above, using a correspondence table stored in a storage unit (not shown). Specifically, the feature amount data acquisition unit 102 may acquire feature amount data related to the volume of the call using a correspondence table that divides the value of the feature amount data into five levels according to the volume level. Note that the value of the feature data may be a numerical value obtained by rounding an arbitrary digit from the value acquired as described above. The method of rounding the value may be rounding off, rounding down, or rounding up.

なお、観測データ格納手段101に、観測対象に対する2種類以上の時系列の観測データが格納されている場合は、特徴量データ取得手段102は、観測データ格納手段101に格納されている観測対象に対する2種類以上の対象観測データから、3種類以上の特徴量データを取得しても良い。特徴量データ取得手段102が2種類以上の時系列の対象観測データから特徴量データを取得する場合は、ある1種類の対象観測データから2種類以上の特徴量データを取得し、その1種類の対象観測データ以外の対象観測データそれぞれから1種類以上の特徴量データを取得しても良い。つまり、特徴量データ取得手段102は、M種類の対象観測データから、(M+1)種類以上の特徴量データを、M種類の各対象観測データを用いて取得しても良い。Mは1以上の自然数とする。よって、状態規則または行動規則を取得するために用いられない特徴量データを取得するために用いる対象観測データをM種類の対象観測データの中に含めないものと考えても良い。以下、観測データ格納手段101には、2種類以上の時系列の対象観測データが格納されている場合について、主に説明する。   When two or more types of time-series observation data for the observation target are stored in the observation data storage unit 101, the feature data acquisition unit 102 stores the observation data stored in the observation data storage unit 101. You may acquire three or more types of feature-value data from two or more types of object observation data. When the feature amount data acquisition unit 102 acquires feature amount data from two or more types of time-series target observation data, two or more types of feature amount data are acquired from one type of target observation data. One or more types of feature data may be acquired from each target observation data other than the target observation data. That is, the feature data acquisition unit 102 may acquire (M + 1) or more types of feature data using M types of target observation data from M types of target observation data. M is a natural number of 1 or more. Therefore, it may be considered that the target observation data used for acquiring the feature data that is not used for acquiring the state rule or the behavior rule is not included in the M types of target observation data. Hereinafter, a case where two or more types of time-series target observation data are stored in the observation data storage unit 101 will be mainly described.

特徴量データ取得手段102は、対象観測データから、状態に関する特徴量データである状態特徴量データ(第1の特徴量データ)と行動に関する特徴量データである行動特徴量データ(第2の特徴量データ)とを取得しても良く、そうで無くても良い。なお、観測データ格納手段101に、観測対象に対する2種類以上の時系列の観測データが格納されている場合は、特徴量データ取得手段102は、対象観測データから、N種類以上の状態特徴量データと、(3−N)種類以上の行動特徴量データを取得しても良い。また、Nは1または2である。状態特徴量データは、状態規則を取得するために用いられるデータであっても良い。状態規則は、対象の状態に関する、特徴量データの値やラベル等の並びからなる情報である。状態規則は、例えば、食事中の状態を示す情報であっても良く、水飲み中の状態を示す情報であっても良く、排尿中の状態を示す情報であっても良く、排便中の状態を示す情報であっても良く、睡眠中の状態を示す情報であっても良く、その他の状態を示す情報であっても良い。また、行動特徴量データは、行動規則を取得するために用いられるデータであっても良い。行動規則は、対象の行動に関する、特徴量データの値やラベル等の並びからなる情報である。行動規則は、例えば、位置を定期的に変えている行動を示す情報であっても良く、走っている行動を示す情報であっても良く、鳴き声を上げている行動を示す情報であっても良く、ジャンプしている行動を示す情報等であっても良い。状態特徴量データと行動特徴量データとの違いは、特徴量データを取得する処理において、対象観測データを分割する所定の期間が異なることであっても良く、特徴量データを取得するための処理が異なることであっても良く、特徴量データを取得する対象観測データが異なることであっても良く、上述の2以上の違いを組み合わせたものであっても良い。対象観測データを分割する所定の期間が異なる場合の違いは、状態特徴量データを取得する処理における所定の期間より、行動特徴量データを取得する処理における所定の期間の方が短いことであっても良い。例えば、状態特徴量データを取得する処理における所定の期間が10秒である場合に、行動特徴量データを取得する処理における所定の期間は、1秒等であっても良い。特徴量データを取得するための処理が異なる場合の違いは、例えば、状態特徴量データを取得する処理が積分値を取得する処理であったときに、行動特徴量データを取得する処理が微分値を取得する処理であることであっても良い。特徴量データを取得する対象観測データが異なる場合の違いは、状態特徴量データを取得するために用いる対象観測データと、行動特徴量データを取得するために用いる対象観測データとがあらかじめ異なるように決められていることであっても良い。例えば、特徴量データ取得手段102における処理は、カメラから状態特徴量データと行動特徴量データとを取得し、マイクから行動特徴量データを取得する等のように、あらかじめ決められていても良い。   The feature amount data acquisition unit 102 obtains state feature amount data (first feature amount data) that is feature amount data related to a state and action feature amount data (second feature amount) that is feature amount data related to an action from target observation data. Data) may or may not be acquired. When two or more types of time-series observation data for the observation target are stored in the observation data storage unit 101, the feature amount data acquisition unit 102 obtains N or more types of state feature amount data from the target observation data. And (3-N) or more types of action feature data may be acquired. N is 1 or 2. The state feature amount data may be data used to acquire a state rule. The state rule is information including a sequence of feature value data values, labels, and the like regarding the target state. The state rule may be, for example, information indicating a state during a meal, information indicating a state during drinking, information indicating a state during urination, and a state during defecation. It may be information indicating, information indicating a sleeping state, or information indicating other states. Further, the behavior feature amount data may be data used for acquiring a behavior rule. The behavior rule is information including a sequence of feature value data, labels, and the like regarding the target behavior. For example, the behavior rule may be information indicating an action whose position is periodically changed, may be information indicating a running action, or may be information indicating an action that makes a cry. For example, it may be information indicating a jumping action. The difference between the state feature quantity data and the behavior feature quantity data may be that the predetermined period for dividing the target observation data is different in the process for obtaining the feature quantity data, and the process for obtaining the feature quantity data. May be different, the target observation data from which the feature data is acquired may be different, or a combination of two or more of the above differences. The difference in the case where the predetermined period for dividing the target observation data is different is that the predetermined period in the process for acquiring the behavior feature quantity data is shorter than the predetermined period in the process for acquiring the state feature quantity data. Also good. For example, when the predetermined period in the process of acquiring state feature data is 10 seconds, the predetermined period in the process of acquiring behavior feature data may be 1 second or the like. For example, when the process for acquiring feature data is different, for example, when the process of acquiring state feature data is a process of acquiring an integral value, the process of acquiring action feature data is a differential value. It may be the process of acquiring. The difference when the target observation data from which feature data is acquired is different is that the target observation data used to acquire state feature data is different from the target observation data used to acquire behavior feature data in advance. It may be decided. For example, the processing in the feature amount data acquisition unit 102 may be determined in advance, such as acquiring state feature amount data and behavior feature amount data from a camera, and acquiring behavior feature amount data from a microphone.

また、「2種類以上の特徴量データ」とは、それぞれ異なる処理で取得した2以上の特徴量データであると考えても良い。なお、異なる処理で取得した、2個の特徴量データが同じ特徴量データである場合は、2種類の特徴量データと考えても良く、1種類の特徴量データと考えても良い。特徴量データ取得手段102は、通常、MPUやメモリ等から実現され得る。特徴量データ取得手段102の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはROM等の記録媒体に記録されている。但し、ハードウェア(専用回路)で実現しても良い。   The “two or more types of feature data” may be considered as two or more feature data acquired by different processes. When two pieces of feature amount data acquired by different processes are the same feature amount data, they may be considered as two types of feature amount data or may be considered as one type of feature amount data. The feature amount data acquisition unit 102 can be usually realized by an MPU, a memory, or the like. The processing procedure of the feature data acquisition unit 102 is usually realized by software, and the software is recorded on a recording medium such as a ROM. However, it may be realized by hardware (dedicated circuit).

状態規則取得手段103は、特徴量データ取得手段102が取得した1種類以上の特徴量データを用いて、対象の状態に関する規則である状態規則を取得する。特徴量データ取得手段102が1種類の対象観測データから取得した2種類以上の特徴量データを取得した場合は、状態規則取得手段103は、その2種類の以上の特徴量データのうち少なくとも1種類以上を用いて状態規則を取得しても良い。1種類の特徴量データから、状態規則を取得する場合は、状態規則取得手段103は、その特徴量データにおける2以上の連続した値が、所定の期間において繰り返し出現するときに、その連続した特徴量データの値である状態規則を取得しても良い。なお、特徴量データ取得手段102が、2種類以上の時系列の対象観測データから、3種類以上の特徴量データを取得した場合は、状態規則取得手段103は、3種類以上の特徴量データのうちのいずれかN種類以上の特徴量データを用いて、状態規則を取得しても良い。また、Nは前述のように1または2である。2種類以上の特徴量データから、状態規則を取得する場合は、状態規則取得手段103は、その2種類以上の特徴量データにおける1または2以上の連続した値の組み合わせが、所定の期間において繰り返し出現するときに、その連続した値の組み合わせである状態規則を取得しても良い。また、特徴量データ取得手段102が状態特徴量データを取得している場合は、状態規則取得手段103は、状態特徴量データから、上記のようにして、状態規則を取得しても良い。   The state rule acquisition unit 103 uses the one or more types of feature amount data acquired by the feature amount data acquisition unit 102 to acquire a state rule that is a rule regarding the target state. When the feature amount data acquisition unit 102 acquires two or more types of feature amount data acquired from one type of target observation data, the state rule acquisition unit 103 selects at least one type of the two or more types of feature amount data. The state rule may be acquired using the above. When acquiring a state rule from one type of feature value data, the state rule acquisition unit 103 causes the continuous feature to appear when two or more consecutive values in the feature value data repeatedly appear in a predetermined period. You may acquire the state rule which is the value of quantity data. When the feature data acquisition unit 102 acquires three or more types of feature data from two or more types of time-series target observation data, the state rule acquisition unit 103 stores three or more types of feature data. The state rule may be acquired using any N or more types of feature amount data. N is 1 or 2 as described above. When acquiring a state rule from two or more types of feature amount data, the state rule acquisition unit 103 repeats a combination of one or two or more consecutive values in the two or more types of feature amount data within a predetermined period. When appearing, a state rule that is a combination of consecutive values may be acquired. Further, when the feature amount data acquisition unit 102 acquires state feature amount data, the state rule acquisition unit 103 may acquire the state rule from the state feature amount data as described above.

また、状態規則取得手段103は、外部環境特徴量データの値ごと、または外部環境特徴量データの値の分類ごとに、状態規則を取得しても良い。「外部環境特徴量データの値ごとに状態規則を取得する」とは、特徴量データ取得手段102が取得した値ごとに状態規則を取得することである。例えば、外部環境観測データが気温に関する観測データである場合に、状態規則取得手段103は、気温が30度のときの状態規則と、気温が31度のときの状態規則とをそれぞれ取得しても良い。「外部環境特徴量データの値の分類ごとに状態規則を取得する」とは、特徴量データ取得手段102が取得した値を2以上の分類に仕分け、その分類ごとに状態規則を取得することである。例えば、外部環境観測データが気温に関する観測データである場合に、状態規則取得手段103は、気温が30度以上のときの状態規則と、気温が20度以上30度未満のときの状態規則とをそれぞれ取得しても良い。外部環境特徴量データの値の分類は、上記以外にも、外部環境観測データが降水量に関する観測データである場合に、雨が降っているか降っていないかといった分類であっても良く、外部環境観測データが音声に関する観測データである場合に、図書館程度、生活音程度、または工事現場程度等といった分類であっても良く、その他の分類であっても良い。状態規則取得手段103は、通常、MPUやメモリ等から実現され得る。状態規則取得手段103の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはROM等の記録媒体に記録されている。但し、ハードウェア(専用回路)で実現しても良い。   Further, the state rule acquisition unit 103 may acquire a state rule for each value of the external environment feature value data or for each classification of the value of the external environment feature value data. “Acquisition of a state rule for each value of external environment feature value data” means acquisition of a state rule for each value acquired by the feature value data acquisition means 102. For example, when the external environment observation data is observation data relating to temperature, the state rule acquisition unit 103 may acquire a state rule when the temperature is 30 degrees and a state rule when the temperature is 31 degrees, respectively. good. “Acquisition of state rules for each classification of values of external environment feature data” classifies the values acquired by the feature data acquisition unit 102 into two or more classifications, and acquires the state rules for each classification. is there. For example, when the external environment observation data is observation data relating to the temperature, the state rule acquisition unit 103 obtains a state rule when the temperature is 30 degrees or higher and a state rule when the temperature is 20 degrees or higher and lower than 30 degrees. Each may be acquired. In addition to the above, the classification of the value of the external environment feature value data may be a classification of whether it is raining or not when the external environment observation data is observation data relating to precipitation. When the observation data is observation data related to voice, it may be classified as a library level, a living sound level, a construction site level, or the like, or may be another classification. The state rule acquisition unit 103 can be usually realized by an MPU, a memory, or the like. The processing procedure of the state rule acquisition unit 103 is usually realized by software, and the software is recorded on a recording medium such as a ROM. However, it may be realized by hardware (dedicated circuit).

状態規則取得手段103は、状態ラベル設定手段21と状態規則特定手段22との処理によって、特徴量データにラベルを付与して状態規則を取得しても良い。なお、ここで言う特徴量データとは、状態特徴量データであっても良い。状態ラベル設定手段21は、図4のように、特徴量データの値を複数のグループに分類し、同一のグループに属する特徴量データの値に同一の状態ラベルを設定する。状態ラベル設定手段21は、3種類以上の特徴量データのうちのいずれかN種類以上の特徴量データに対して状態ラベルを設定しても良い。Nは前述のように1または2である。状態ラベル設定手段21が特徴量データの値を分類する基準は問わない。例えば、状態ラベル設定手段21は、特徴量データの値ごとにグループに分類しても良く、所定の値の範囲ごとに特徴量データの値をグループに分類しても良く、あらかじめ決められた規則に応じて特徴量データの値をグループに分類しても良い。あらかじめ決められた規則は、偶数の特徴量データの値と奇数の特徴量データの値とのグループに分類する規則であっても良く、頻出する特徴量データの値とそうでない特徴量データの値とのグループに分類する規則等であっても良い。状態ラベルは、分類したグループを識別できる情報である。つまり、状態ラベルは、グループを一意に識別できる情報であれば、どのような情報であっても良い。状態ラベルを用いることで、複数の特徴量データの値を一つのラベルに設定でき、特徴量データの値を用いるよりも情報を丸めることができる。つまり、状態ラベルを設定することは、状態規則の発見を容易にしている。   The state rule acquisition unit 103 may acquire a state rule by adding a label to the feature amount data by the processing of the state label setting unit 21 and the state rule specifying unit 22. Note that the feature amount data referred to here may be state feature amount data. As shown in FIG. 4, the state label setting means 21 classifies the feature value data values into a plurality of groups, and sets the same state label to the feature value data values belonging to the same group. The state label setting means 21 may set a state label for any N or more types of feature amount data among three or more types of feature amount data. N is 1 or 2 as described above. There is no limitation on the criteria by which the state label setting means 21 classifies the value of the feature data. For example, the state label setting unit 21 may classify each feature value data value into a group, or may classify feature value data values into groups for each predetermined value range. The value of the feature amount data may be classified into groups according to the above. The rule determined in advance may be a rule for classifying into groups of even feature value data values and odd feature value data values. Or a rule for classifying them into groups. The status label is information that can identify the classified group. That is, the status label may be any information as long as it is information that can uniquely identify the group. By using the state label, a plurality of feature value data values can be set as one label, and information can be rounded rather than using feature value data values. That is, setting the state label facilitates discovery of the state rule.

なお、状態ラベル設定手段21は、2以上の連続した特徴量データの値をまとめて一のグループに分類しても良い。状態ラベル設定手段21は、2以上の連続した特徴量データの値をまとめてグループに分類した場合は、その2以上の連続した特徴量データの値に一の状態ラベルを設定しても良い。具体的には、状態ラベル設定手段21は、「活動中を示す特徴量データの値・停止中を示す特徴量データの値・停止中を示す特徴量データの値・活動中を示す特徴量データの値」というような特徴量データの値の並びを「活動中を示す特徴量データの値・停止中を示す特徴量データの値・活動中を示す特徴量データの値」のように特徴量データの値をまとめても良い。特徴量データの値をまとめると、例えば、上述の場合には、状態ラベル設定手段21は、停止中の期間にこだわらないようにラベルを設定できる。   Note that the state label setting unit 21 may group two or more continuous feature value data values into one group. The state label setting means 21 may set one state label for two or more consecutive feature value data values when two or more consecutive feature value data values are grouped into a group. Specifically, the state label setting means 21 reads “value of feature quantity data indicating activity / value of feature quantity data indicating suspension / value of feature quantity data indicating suspension / feature data indicating activity”. Feature values such as “value of feature data indicating activity / value of feature data indicating stop / value of feature data indicating activity” Data values may be summarized. When the values of the feature amount data are collected, for example, in the above-described case, the state label setting unit 21 can set a label so as not to stick to the stopped period.

状態規則特定手段22は、例えば、図5のように状態ラベル設定手段21が設定したN種類以上の状態ラベルの並びから状態規則を取得する。1種類の状態ラベルの並びから状態規則を取得する場合は、状態規則特定手段22は、その状態ラベルの並びにおける2以上の連続した状態ラベルが、所定の期間において繰り返し出現するときに、その連続した状態ラベルである状態規則を取得しても良い。また、2種類以上の状態ラベルの並びから状態規則を取得する場合は、状態規則特定手段22は、その2種類以上の状態ラベルの並びにおける1または2以上の連続した状態ラベルの組み合わせが、所定の期間において繰り返し出現するときに、その連続した状態ラベルの組み合わせである状態規則を取得しても良い。状態規則特定手段22は、例えば、状態ラベルの並びを複数の期間ごとに分割して、頻出パターンマイニングを行うことで状態規則を取得しても良く、上述の状態ラベルの並びを分割する期間を複数回変更して、同様に頻出パターンマイニングを行うことで状態規則を取得しても良い。なお、頻出パターンマイニングは、公知技術であるため、その詳細な説明については、省略する。状態規則特定手段22は、通常、MPUやメモリ等から実現され得る。   For example, the state rule specifying unit 22 obtains a state rule from an array of N or more types of state labels set by the state label setting unit 21 as shown in FIG. When acquiring a state rule from a sequence of one type of state label, the state rule specifying unit 22 determines that when two or more continuous state labels in the state label sequence repeatedly appear in a predetermined period, A state rule that is a state label may be acquired. When acquiring a state rule from a sequence of two or more types of state labels, the state rule specifying unit 22 determines that a combination of one or two or more continuous state labels in the sequence of two or more types of state labels is predetermined. When it repeatedly appears in the period, a state rule that is a combination of the continuous state labels may be acquired. For example, the state rule specifying unit 22 may acquire the state rule by dividing the arrangement of the state labels into a plurality of periods and performing frequent pattern mining. The state rule may be acquired by changing multiple times and performing frequent pattern mining in the same manner. In addition, since frequent pattern mining is a well-known technique, it abbreviate | omits about the detailed description. The state rule specifying means 22 can usually be realized by an MPU, a memory, or the like.

行動規則取得手段104は、特徴量データ取得手段102が取得した1種類以上の特徴量データを用いて、対象の行動に関する規則である行動規則を取得する。特徴量データ取得手段102が1種類の対象観測データから取得した2種類以上の特徴量データを取得した場合は、行動規則取得手段104は、その2種類の以上の特徴量データのうち少なくとも1種類以上を用いて行動規則を取得しても良い。1種類の特徴量データから、行動規則を取得する場合は、行動規則取得手段104は、その特徴量データにおける2以上の連続した値が、所定の期間において繰り返し出現するときに、その連続した特徴量データの値である行動規則を取得しても良い。なお、特徴量データ取得手段102が、2種類以上の時系列の対象観測データから、3種類以上の特徴量データを取得した場合は、行動規則取得手段104は、3種類以上の特徴量データのうちのいずれか(3−N)種類以上の特徴量データを用いて、行動規則を取得しても良い。また、Nは前述のように1または2である。2種類以上の特徴量データから、行動規則を取得する場合は、行動規則取得手段104は、その2種類以上の特徴量データにおける1または2以上の連続した値の組み合わせが、所定の期間において繰り返し出現するときに、その連続した値の組み合わせである行動規則を取得しても良い。また、特徴量データ取得手段102が行動特徴量データを取得している場合は、行動規則取得手段104は、行動特徴量データから、行動規則を取得しても良い。行動規則取得手段104は、特徴量データ取得手段102が取得した特徴量データのうち、状態規則取得手段103が用いなかった特徴量データをすべて用いて行動規則を取得しても良く、状態規則取得手段103が用いた特徴量データの種類と少なくとも一部が異なる1以上の特徴量データを用いて行動規則を取得しても良く、上述の両方を満たす1以上の特徴量データを用いて行動規則を取得しても良い。つまり、状態規則取得手段103と行動規則取得手段104とは、特徴量データ取得手段102が取得したすべての特徴量データが、状態規則または行動規則のいずれかを取得するために用いられるように処理を行っても良い。また、行動規則は、状態規則が取得された期間内の規則であっても良い。つまり、状態規則取得手段103が、時点tから時点(t+x)までの期間xの状態規則を取得していた場合は、行動規則取得手段104は、時点tから時点(t+x)までにおいて、期間x未満の行動規則を取得しても良い。なお、xは任意の期間である。   The behavior rule acquisition unit 104 acquires a behavior rule that is a rule regarding the target behavior, using one or more types of feature amount data acquired by the feature amount data acquisition unit 102. When the feature data acquisition unit 102 acquires two or more types of feature data acquired from one type of target observation data, the behavior rule acquisition unit 104 selects at least one type of the two or more types of feature data. You may acquire an action rule using the above. When acquiring an action rule from one type of feature value data, the action rule acquiring unit 104 determines that the continuous feature is obtained when two or more consecutive values in the feature value data repeatedly appear in a predetermined period. You may acquire the action rule which is the value of quantity data. When the feature data acquisition unit 102 acquires three or more types of feature data from two or more types of time-series target observation data, the behavior rule acquisition unit 104 stores three or more types of feature data. You may acquire an action rule using any (3-N) or more types of feature-value data. N is 1 or 2 as described above. When acquiring a behavior rule from two or more types of feature data, the behavior rule acquisition unit 104 repeats a combination of one or more consecutive values in the two or more types of feature data in a predetermined period. When appearing, you may acquire the action rule which is the combination of the continuous value. When the feature data acquisition unit 102 acquires behavior feature data, the behavior rule acquisition unit 104 may acquire a behavior rule from the behavior feature data. The behavior rule acquisition unit 104 may acquire the behavior rule by using all the feature amount data not used by the state rule acquisition unit 103 among the feature amount data acquired by the feature amount data acquisition unit 102. The action rule may be acquired using one or more feature quantity data at least partially different from the type of feature quantity data used by the means 103, and the action rule using one or more feature quantity data satisfying both of the above You may get That is, the state rule acquisition unit 103 and the behavior rule acquisition unit 104 perform processing so that all feature amount data acquired by the feature amount data acquisition unit 102 is used to acquire either the state rule or the behavior rule. May be performed. Further, the behavior rule may be a rule within a period in which the state rule is acquired. That is, if the state rule acquisition unit 103 has acquired the state rule of the period x from the time point t to the time point (t + x), the behavior rule acquisition unit 104 determines that the period x from the time point t to the time point (t + x). You may obtain less action rules. Note that x is an arbitrary period.

また、行動規則取得手段104は、外部環境特徴量データの値ごと、または外部環境特徴量データの値の分類ごとに、行動規則を取得しても良い。「外部環境特徴量データの値ごとに行動規則を取得する」とは、特徴量データ取得手段102が取得した値ごとに行動規則を取得することである。例えば、外部環境観測データが気温に関する観測データである場合に、行動規則取得手段104は、気温が30度のときの行動規則と、気温が31度のときの行動規則とをそれぞれ取得しても良い。「外部環境特徴量データの値の分類ごとに行動規則を取得する」とは、特徴量データ取得手段102が取得した値を2以上の分類に仕分け、その分類ごとに行動規則を取得することである。例えば、外部環境観測データが気温に関する観測データである場合に、行動規則取得手段104は、気温が30度以上のときの行動規則と、気温が20度以上30度未満のときの行動規則とをそれぞれ取得しても良い。外部環境特徴量データの値の分類は、上記以外にも、外部環境観測データが降水量に関する観測データである場合に、雨が降っているか降っていないかといった分類であっても良く、外部環境観測データが音声に関する観測データである場合に、図書館程度、生活音程度、または工事現場程度等といった分類であっても良く、その他の分類であっても良い。行動規則取得手段104は、通常、MPUやメモリ等から実現され得る。行動規則取得手段104の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはROM等の記録媒体に記録されている。但し、ハードウェア(専用回路)で実現しても良い。   Further, the behavior rule acquisition unit 104 may acquire a behavior rule for each value of the external environment feature value data or for each classification of the value of the external environment feature value data. “Acquiring an action rule for each value of the external environment feature value data” means acquiring an action rule for each value acquired by the feature value data acquisition unit 102. For example, when the external environment observation data is observation data related to temperature, the behavior rule acquisition unit 104 may acquire a behavior rule when the temperature is 30 degrees and a behavior rule when the temperature is 31 degrees. good. “Acquire action rules for each classification of values of external environment feature data” classifies the values acquired by the feature data acquisition unit 102 into two or more classifications, and acquires the behavior rules for each classification. is there. For example, when the external environment observation data is temperature-related observation data, the behavior rule acquisition unit 104 obtains a behavior rule when the temperature is 30 degrees or more and a behavior rule when the temperature is 20 degrees or more and less than 30 degrees. Each may be acquired. In addition to the above, the classification of the value of the external environment feature value data may be a classification of whether it is raining or not when the external environment observation data is observation data relating to precipitation. When the observation data is observation data related to voice, it may be classified as a library level, a living sound level, a construction site level, or the like, or may be another classification. The behavior rule acquisition unit 104 can be usually realized by an MPU, a memory, or the like. The processing procedure of the behavior rule acquisition unit 104 is usually realized by software, and the software is recorded in a recording medium such as a ROM. However, it may be realized by hardware (dedicated circuit).

行動規則取得手段104は、行動ラベル設定手段23と行動規則特定手段24との処理によって、特徴量データにラベルを付与して行動規則を取得しても良い。なお、ここで言う特徴量データとは、行動特徴量データであっても良い。行動ラベル設定手段23は、図4のように、特徴量データの値を複数のグループに分類し、同一のグループに属する特徴量データの値に同一の行動ラベルを設定する。行動ラベル設定手段23は、3種類以上の特徴量データのうちのいずれか(3−N)種類以上の特徴量データに対して行動ラベルを設定しても良い。Nは前述のように1または2である。行動ラベル設定手段23が特徴量データの値を分類する基準は問わない。例えば、行動ラベル設定手段23は、特徴量データの値ごとにグループに分類しても良く、所定の値の範囲ごとに特徴量データの値をグループに分類しても良く、あらかじめ決められた規則に応じて特徴量データの値をグループに分類しても良い。あらかじめ決められた規則は、偶数の特徴量データの値と奇数の特徴量データの値とのグループに分類する規則であっても良く、頻出する特徴量データの値とそうでない特徴量データの値とのグループに分類する規則等であっても良い。行動ラベルは、分類したグループを識別できる情報である。つまり、行動ラベルは、グループを一意に識別できる情報であれば、どのような情報であっても良い。行動ラベルを用いることで、複数の特徴量データの値を一つのラベルに設定でき、特徴量データの値を用いるよりも情報を丸めることができる。つまり、行動ラベルを設定することは、行動規則の発見を容易にしている。   The behavior rule acquisition unit 104 may acquire a behavior rule by assigning a label to the feature amount data by the processing of the behavior label setting unit 23 and the behavior rule specifying unit 24. Note that the feature amount data referred to here may be behavior feature amount data. As shown in FIG. 4, the action label setting unit 23 classifies the feature value data values into a plurality of groups, and sets the same action label to the feature value data values belonging to the same group. The action label setting means 23 may set an action label for any (3-N) or more types of feature quantity data among three or more types of feature quantity data. N is 1 or 2 as described above. There is no limitation on the criteria by which the action label setting unit 23 classifies the value of the feature amount data. For example, the action label setting unit 23 may classify the feature value data into groups, or may classify the feature value data values into groups for each predetermined value range. The value of the feature amount data may be classified into groups according to the above. The rule determined in advance may be a rule for classifying into groups of even feature value data values and odd feature value data values. Or a rule for classifying them into groups. The action label is information that can identify the classified group. That is, the action label may be any information as long as the information can uniquely identify the group. By using the action label, a plurality of feature value data values can be set as one label, and information can be rounded rather than using the feature value data value. In other words, setting action labels facilitates discovery of action rules.

なお、行動ラベル設定手段23は、2以上の連続した特徴量データの値をまとめて一のグループに分類しても良い。行動ラベル設定手段23は、2以上の連続した特徴量データの値をまとめてグループに分類した場合は、その2以上の連続した特徴量データの値に一の行動ラベルを設定しても良い。具体的には、行動ラベル設定手段23は、「走っている行動を示す特徴量データの値・歩いている行動を示す特徴量データの値・歩いている行動を示す特徴量データの値・走っている行動を示す特徴量データの値」というような特徴量データの値の並びを「走っている行動を示す特徴量データの値・歩いている行動を示す特徴量データの値・走っている行動を示す特徴量データの値」のように特徴量データの値をまとめても良い。特徴量データの値をまとめると、例えば上述の場合には、行動ラベル設定手段23は、歩いている期間にこだわらないようにラベルを設定できる。   Note that the action label setting means 23 may group two or more consecutive feature value data values into one group. The action label setting means 23 may set one action label to the values of two or more consecutive feature quantity data when the values of two or more consecutive feature quantity data are grouped into a group. Specifically, the action label setting unit 23 determines that “the value of feature data indicating a running action, the value of feature data indicating a walking action, the value of feature data indicating a walking action, The value of the feature value data such as “value of feature value data indicating the action being performed” is the value of the feature value data indicating the action being performed, the value of the feature value data indicating the action being performed, and the running. The value of feature amount data may be collected as “value of feature amount data indicating behavior”. Summarizing the values of the feature amount data, for example, in the case described above, the action label setting unit 23 can set a label so as not to stick to the walking period.

行動規則特定手段24は、例えば、図5のように行動ラベル設定手段23が設定した(3−N)種類の行動ラベルの並びから行動規則を取得する。Nは前述のように1または2である。1種類の行動ラベルの並びから行動規則を取得する場合は、行動規則特定手段24は、その行動ラベルの並びにおける2以上の連続した行動ラベルが、所定の期間において繰り返し出現するときに、その連続した行動ラベルである行動規則を取得しても良い。また、2種類以上の行動ラベルの並びから行動規則を取得する場合は、行動規則特定手段24は、その2種類以上の行動ラベルの並びにおける1または2以上の連続した行動ラベルの組み合わせが、所定の期間において繰り返し出現するときに、その連続した行動ラベルの組み合わせである行動規則を取得しても良い。行動規則特定手段24は、例えば、行動ラベルの並びを複数の期間ごとに分割して、頻出パターンマイニングを行うことで行動規則を取得しても良く、上述の行動ラベルの並びを分割する期間を複数回変更して、同様に頻出パターンマイニングを行うことで行動規則を取得しても良い。行動規則特定手段24は、通常、MPUやメモリ等から実現され得る。   For example, the behavior rule specifying unit 24 acquires the behavior rule from the sequence of (3-N) types of behavior labels set by the behavior label setting unit 23 as shown in FIG. N is 1 or 2 as described above. When acquiring a behavior rule from a sequence of one type of behavior label, the behavior rule specifying means 24, when two or more consecutive behavior labels in the sequence of the behavior label repeatedly appear in a predetermined period, You may acquire the action rule which is an action label. In addition, when obtaining a behavior rule from a sequence of two or more types of behavior labels, the behavior rule specifying unit 24 determines that a combination of one or two or more consecutive behavior labels in the sequence of the two or more types of behavior labels is predetermined. When it repeatedly appears in the period, an action rule that is a combination of consecutive action labels may be acquired. For example, the behavior rule specifying unit 24 may acquire the behavior rule by dividing the sequence of behavior labels into a plurality of periods and performing frequent pattern mining. The behavior rule may be acquired by changing multiple times and performing frequent pattern mining in the same manner. The behavior rule specifying unit 24 can be usually realized by an MPU, a memory, or the like.

出力手段105は、状態規則取得手段103が取得した状態規則と、行動規則取得手段104が取得した行動規則とを出力する。出力手段105は、外部環境特徴量データごと、または外部環境特徴量データの値の分類ごとに、状態規則と行動規則とを出力する。なお、出力手段105は、同一の期間を含む状態規則と行動規則とを対応付けて出力しても良い。対応付けて出力するとは、状態規則と行動規則とを同時に出力することであっても良く、同一のIDを含む状態規則、行動規則、および行動規則をそれぞれ別々に出力することであっても良く、状態規則と行動規則とを順番に出力することであっても良い。また、出力手段105は、状態規則と行動規則とを、上記と同様にして外部環境特徴量データの値、または外部環境特徴量データの値の分類と対応付けて出力しても良い。なお、出力手段105は、状態規則と、その状態規則が取得された期間内における行動規則との両方が取得された場合にのみ出力しても良く、どちらか一方のみが取得された場合に出力しても良い。出力とは、ディスプレイへの表示、プロジェクターを用いた投影、プリンタでの印字、音出力、外部の装置への送信、記録媒体への蓄積、他の処理装置や他のプログラム等への処理結果の引渡し等を含む概念である。出力手段105は、ディスプレイやスピーカー等の出力デバイスを含むと考えても含まないと考えても良い。出力手段105は、出力デバイスのドライバーソフト、または出力デバイスのドライバーソフトと出力デバイス等で実現され得る。   The output unit 105 outputs the state rule acquired by the state rule acquisition unit 103 and the behavior rule acquired by the behavior rule acquisition unit 104. The output means 105 outputs a state rule and an action rule for each external environment feature value data or for each value classification of the external environment feature value data. Note that the output unit 105 may output a state rule including the same period and an action rule in association with each other. The output in association with each other may be to output the state rule and the action rule at the same time, or may output the state rule, the action rule, and the action rule including the same ID separately. The state rule and the behavior rule may be output in order. Further, the output means 105 may output the state rule and the behavior rule in association with the value of the external environment feature value data or the classification of the value of the external environment feature value data in the same manner as described above. Note that the output means 105 may output only when both the state rule and the action rule within the period in which the state rule is acquired, or output when only one of them is acquired. You may do it. Output refers to display on a display, projection using a projector, printing on a printer, sound output, transmission to an external device, storage on a recording medium, processing results to other processing devices or other programs, etc. It is a concept that includes delivery. The output unit 105 may or may not include an output device such as a display or a speaker. The output means 105 can be implemented by output device driver software, or output device driver software and an output device.

時系列データ解析装置1は、上述のようにして状態規則と行動規則とを取得する。このようにして取得した各規則は、その規則を用いて対象の状態や行動によってデータを分類する装置等で用いられる。規則を用いて対象の状態や行動によってデータを分類する装置等とは、例えば、動物に関する各規則とその規則が示す病気に関する情報とを対応付けたデータを格納し、動物を対象とした対象観測データを受け付けることで、受け付けた対象観測データに対応する規則を検索し、ヒットした場合に、そのヒットした規則に対応付けられている病気に関する情報を送信するような装置等であっても良い。   The time-series data analysis device 1 acquires the state rule and the behavior rule as described above. Each rule acquired in this way is used in a device or the like that classifies data according to the state or action of the target using the rule. For example, a device that classifies data according to the state or behavior of a target using a rule stores, for example, data that associates each rule about an animal with information about a disease indicated by the rule, and performs target observation on an animal. It may be a device that searches for a rule corresponding to the received target observation data by receiving data, and transmits information related to a disease associated with the hit rule when it is hit.

図6は、本実施の形態における時系列データ解析装置1の動作の一例を示すフローチャートである。以下、図2を用いて動作について説明する。なお、本フローチャートでは、観測データ格納手段101に、観測対象に対する2種類の観測データが格納されている場合について説明する。   FIG. 6 is a flowchart showing an example of the operation of the time-series data analysis apparatus 1 in the present embodiment. The operation will be described below with reference to FIG. In this flowchart, a case where two types of observation data for the observation target are stored in the observation data storage unit 101 will be described.

(ステップS201)特徴量データ取得手段102は、観測データ格納手段101に格納されている2種類の対象観測データから3種類以上の特徴量データを取得する。   (Step S201) The feature data acquisition unit 102 acquires three or more types of feature data from the two types of target observation data stored in the observation data storage unit 101.

(ステップS202)特徴量データ取得手段102は、観測データ格納手段101に格納されている外部環境観測データから外部環境特徴量データを取得する。   (Step S202) The feature data acquisition unit 102 acquires external environment feature data from the external environment observation data stored in the observation data storage unit 101.

(ステップS203)状態ラベル設定手段21は、ステップS201で取得された特徴量データを、その特徴量データの値ごとにグループに分類し、分類したグループごとに状態ラベルを設定する。   (Step S203) The state label setting means 21 classifies the feature amount data acquired in step S201 into groups for each value of the feature amount data, and sets a state label for each classified group.

(ステップS204)状態規則特定手段22は、ステップS203で設定された状態ラベルの並びから外部環境特徴量データの値ごとに状態規則を特定する。   (Step S204) The state rule specifying means 22 specifies a state rule for each value of the external environment feature value data from the state label sequence set in step S203.

(ステップS205)行動ラベル設定手段23は、ステップS201で取得された特徴量データを、その特徴量データの値ごとにグループに分類し、分類したグループごとに行動ラベルを設定する。   (Step S205) The action label setting unit 23 classifies the feature amount data acquired in step S201 into groups for each value of the feature amount data, and sets an action label for each classified group.

(ステップS206)行動規則特定手段24は、ステップS205で設定された行動ラベルの並びから外部環境特徴量データの値ごとに行動規則を特定する。   (Step S206) The behavior rule specifying means 24 specifies a behavior rule for each value of the external environment feature value data from the sequence of behavior labels set in step S205.

(ステップS207)ステップS204で特定した状態規則とステップS206で特定した行動規則とを対応付けて外部環境特徴量データの値ごとに出力する。そして、処理を終了する。   (Step S207) The state rule specified in step S204 and the action rule specified in step S206 are associated with each other and output for each value of the external environment feature data. Then, the process ends.

以下、観測データ格納手段101に、カメラでリスを撮影した動画である対象観測データが格納されている場合について、具体的に説明する。なお、本具体例において、カメラは、リスのケージ上部からケージ内のすべてが撮影できるように配置されていたものとする。特徴量データ取得手段102は、動画である対象観測データから、背景差分の処理を行うことで、リスの位置に関する特徴量データ「A,B,C,C,C,C,A・・・」と、リスの姿勢に関する特徴量データ「Z,Z,Y,Z,Z,X,Y・・・」とを取得したものとする。なお、本具体例において、リスの位置に関する特徴量データでは、「C,C,C,C」が定期的に出現し、さらに、「C,C,C,C」と同じ期間に、リスの姿勢に関する特徴量データでは、「Z,Z,X」が定期的に出現したものとする。また、ここで「C」は、トイレの位置を示す特徴量データの値であり、「Z」は、伏せていることを示す特徴量データの値であり、「X」は、周りを見回すことを示す特徴量データの値であるものとする。状態規則取得手段103は、リスの位置に関する特徴量データから状態規則「C,C,C,C」を取得する。そして、行動規則取得手段104は、状態規則「C,C,C,C」と対応する行動規則「Z,Z,X」を取得する。そして、出力手段105は、取得した状態規則と行動規則とを出力する。なお、本具体例で出力された状態規則「C,C,C,C」は、トイレに滞在することを示し、行動規則「Z,Z,X」は、少しの間伏せた後、周りを見回すことを示しているものとする。   Hereinafter, a specific description will be given of a case where the observation data storage unit 101 stores target observation data that is a moving image obtained by photographing a squirrel with a camera. In this specific example, it is assumed that the camera is arranged so that all the inside of the cage can be photographed from the upper part of the squirrel cage. The feature amount data acquisition means 102 performs background difference processing from the target observation data that is a moving image, thereby obtaining feature amount data “A, B, C, C, C, C, A... And feature amount data “Z, Z, Y, Z, Z, X, Y. In this specific example, “C, C, C, C” periodically appears in the feature amount data relating to the position of the squirrel, and in the same period as “C, C, C, C”, It is assumed that “Z, Z, X” appears periodically in the feature amount data regarding the posture. Here, “C” is a feature value data value indicating the position of the toilet, “Z” is a feature value data value indicating that it is lying down, and “X” is a look around. It is assumed that the value is feature value data indicating The state rule acquisition unit 103 acquires the state rule “C, C, C, C” from the feature amount data regarding the position of the squirrel. Then, the behavior rule acquisition unit 104 acquires a behavior rule “Z, Z, X” corresponding to the state rule “C, C, C, C”. And the output means 105 outputs the acquired state rule and action rule. Note that the state rule “C, C, C, C” output in this specific example indicates staying in the toilet, and the action rule “Z, Z, X” Suppose that you are looking around.

また、観測データ格納手段101に、カメラでリスを撮影した動画である対象観測データと、そのリスが発した鳴き声をマイクで集音した音声である対象観測データとが格納されている場合について、具体的に説明する。なお、本具体例では、先に説明した具体例と重複する説明について省略しているものもある。また、本具体例において、マイクは、そのリスのケージのすぐ近くに配置されていたものとする。特徴量データ取得手段102は、動画である対象観測データから、背景差分の処理を行うことで、リスの位置に関する特徴量データ「A,B,C,C,C,C,A・・・」と、リスの姿勢に関する特徴量データ「Z,Z,Y,Z,Z,X,Y・・・」とを取得し、音声である対象観測データから鳴き声を発したかどうかに関する特徴量データ「0,0,0,0,0,1,0・・・」とを取得したものとする(ステップS201)。なお、本具体例において、「C,C,C,C」が出現する期間の「Z,Z,X」が出現する期間において、「0,0,1」も定期的に出現したものとする。また、ここで「0」は、鳴き声を上げていないことを示す特徴量データの値であり、「1」は、鳴き声を上げていることを示す特徴量データの値であるものとする。状態規則取得手段103は、リスの位置に関する特徴量データから状態規則「C,C,C,C」を取得する(ステップS203からステップS204)。そして、行動規則取得手段104は、状態規則「C,C,C,C」と対応する行動規則[「Z,Z,X」「0,0,1」]を取得する(ステップS205からステップS206)。そして、出力手段105は、取得した状態特徴量と行動特徴量とを出力する。なお、本具体例で出力された状態規則「CCCC」は、トイレに滞在することを示し、行動規則[「Z,Z,X」「0,0,1」]は、少しの間伏せた後、周りを見回しながら、鳴き声を上げることを示しているものとする。   In addition, in the case where the observation data storage means 101 stores target observation data that is a moving image of a squirrel photographed by a camera and target observation data that is a sound collected by a microphone from a squeak generated by the squirrel. This will be specifically described. In addition, in this specific example, the description which overlaps with the specific example demonstrated previously may be abbreviate | omitted. In this specific example, it is assumed that the microphone is arranged in the immediate vicinity of the squirrel cage. The feature amount data acquisition means 102 performs background difference processing from the target observation data that is a moving image, thereby obtaining feature amount data “A, B, C, C, C, C, A... And the feature amount data “Z, Z, Y, Z, Z, X, Y...” Relating to the posture of the squirrel, and the feature amount data “ "0, 0, 0, 0, 0, 1, 0 ..." is acquired (step S201). In this specific example, it is assumed that “0, 0, 1” also appears periodically during the period in which “Z, Z, X” appears in the period in which “C, C, C, C” appears. . Here, “0” is a value of feature amount data indicating that no cry is raised, and “1” is a value of feature amount data indicating that a cry is raised. The state rule acquisition unit 103 acquires the state rule “C, C, C, C” from the feature amount data regarding the position of the squirrel (step S203 to step S204). Then, the behavior rule acquisition unit 104 acquires a behavior rule [“Z, Z, X” “0, 0, 1”] corresponding to the state rule “C, C, C, C” (from step S205 to step S206). ). And the output means 105 outputs the acquired state feature-value and action feature-value. In addition, the state rule “CCCC” output in this specific example indicates staying in the toilet, and the action rule [“Z, Z, X” “0, 0, 1”] Let ’s say you ’re looking around and making a cry.

以上、本実施の形態によれば、特徴量データ取得手段102が1種類の時系列データから、2以上の特徴量データを取得する。これにより、複数の観点から観測対象に対する規則を取得できるため、時系列のデータを有効に活用して規則を取得することができる。また、本実施の形態によれば、特徴量データ取得手段102が外部環境特徴量データを取得できる。これにより、状態規則と行動規則とを外部環境特徴量データの値、または外部環境特徴量データの値の分類ごとに取得できる。例えば、特徴量データ取得手段102が外部環境特徴量データを取得する場合は、規則を用いて対象の状態や行動によってデータを分類する装置等において、検索条件を限定できることから、高い精度で規則を検索できるようになる。また、本実施の形態によれば、特徴量データ取得手段102が、1種類の観測データから2種類以上の特徴量データを取得できる。これにより、状態規則を取得するために適した特徴量データと、行動規則を取得するために適した特徴量データとを取得できる。特徴量データ取得手段102が、1種類の観測データから2種類以上の特徴量データを取得する場合は、例えば、規則を用いて対象の状態や行動によってデータを分類する装置等において、検索条件を限定できることから、高速に規則を検索できるようになる。また、本実施の形態によれば、状態ラベル設定手段21が特徴量データにラベルを設定することができる。これにより、状態規則を取得する際に観測データの特徴量グループに分類して状態規則を取得できる。よって、例えば、観測データの値を丸めた状態規則を取得できる。例えば、規則を用いて対象の状態や行動によってデータを分類する装置等において、類似する規則の検索が高速にできるようになる。また、本実施の形態によれば、行動ラベル設定手段23が特徴量データにラベルを設定することができる。これにより、行動規則を取得する際に観測データの特徴量グループに分類して行動規則を取得できる。よって、例えば、観測データの値を丸めた行動規則を取得できる。例えば、規則を用いて対象の状態や行動によってデータを分類する装置等において、類似する規則の検索が高速にできるようになる。また、本実施の形態によれば、状態規則取得手段103、および行動規則取得手段104は、動物を撮影した、または動物が発した音を集音した観測データから状態規則と、行動規則とを取得できる。   As described above, according to the present embodiment, the feature data acquisition unit 102 acquires two or more feature data from one type of time series data. Thereby, since the rules for the observation target can be acquired from a plurality of viewpoints, the rules can be acquired by effectively using time-series data. Further, according to the present embodiment, the feature data acquisition unit 102 can acquire external environment feature data. Thus, the state rule and the action rule can be acquired for each value of the external environment feature value data or the classification of the value of the external environment feature value data. For example, when the feature amount data acquisition unit 102 acquires external environment feature amount data, the search condition can be limited in an apparatus that classifies data according to the state or action of the target using the rule. It becomes possible to search. Further, according to the present embodiment, the feature amount data acquisition unit 102 can acquire two or more types of feature amount data from one type of observation data. Accordingly, it is possible to acquire feature amount data suitable for acquiring the state rule and feature amount data suitable for acquiring the action rule. When the feature quantity data acquisition unit 102 acquires two or more types of feature quantity data from one type of observation data, for example, in a device that classifies data according to the state or behavior of the target using rules, the search condition is set. Because it can be limited, rules can be searched at high speed. Moreover, according to this Embodiment, the state label setting means 21 can set a label to feature-value data. Thereby, when acquiring a state rule, it can classify | categorize into the feature-value group of observation data, and can acquire a state rule. Therefore, for example, a state rule obtained by rounding the value of the observation data can be acquired. For example, in a device that classifies data according to the state or action of a target using rules, a similar rule can be searched at high speed. Moreover, according to this Embodiment, the action label setting means 23 can set a label to feature-value data. Thereby, when acquiring an action rule, it can classify | categorize into the feature-value group of observation data, and can acquire an action rule. Therefore, for example, an action rule obtained by rounding the value of the observation data can be acquired. For example, in a device that classifies data according to the state or action of a target using rules, a similar rule can be searched at high speed. Further, according to the present embodiment, the state rule acquisition unit 103 and the behavior rule acquisition unit 104 obtain the state rule and the behavior rule from observation data obtained by photographing an animal or collecting sounds emitted by the animal. You can get it.

状態ラベル設定手段21と状態規則特定手段22とを含む場合について説明したが、時系列データ解析装置1は、状態ラベル設定手段21と状態規則特定手段22とを含まなくても良い。状態ラベル設定手段21と状態規則特定手段22とを含まない場合は、状態規則取得手段103は、特徴量データからラベルを設定せずに状態規則を取得するようにしても良い。   Although the case where the state label setting unit 21 and the state rule specifying unit 22 are included has been described, the time-series data analysis device 1 may not include the state label setting unit 21 and the state rule specifying unit 22. When the state label setting unit 21 and the state rule specifying unit 22 are not included, the state rule acquisition unit 103 may acquire the state rule without setting a label from the feature amount data.

行動ラベル設定手段23と行動規則特定手段24とを含む場合について説明したが、時系列データ解析装置1は、行動ラベル設定手段23と行動規則特定手段24とを含まなくても良い。行動ラベル設定手段23と行動規則特定手段24とを含まない場合は、行動規則取得手段104は、特徴量データからラベルを設定せずに行動規則を取得するようにしても良い。   Although the case where the action label setting unit 23 and the action rule specifying unit 24 are included has been described, the time-series data analysis device 1 may not include the action label setting unit 23 and the action rule specifying unit 24. When the behavior label setting unit 23 and the behavior rule specifying unit 24 are not included, the behavior rule acquisition unit 104 may acquire the behavior rule without setting a label from the feature amount data.

また、本実施の形態における時系列データ解析装置1を実現するソフトウェアは、以下のようなプログラムである。つまり、プログラムは、観測対象に対する観測データである1種類以上の時系列の観測データが格納される観測データ格納手段にアクセス可能なコンピュータを、観測データ格納手段に格納されている1種類の観測データから、特徴的な値の時系列データである2種類以上の特徴量データを取得する特徴量データ取得手段、特徴量データを用いて、対象の状態に関する規則である状態規則を取得する状態規則取得手段、特徴量データを用いて、対象の行動に関する規則である行動規則を取得する行動規則取得手段、状態規則取得手段が取得した状態規則と、行動規則取得手段が取得した行動規則とを出力する出力手段として機能させるためのプログラムである。   Moreover, the software which implement | achieves the time series data analysis apparatus 1 in this Embodiment is the following programs. In other words, the program uses a computer that can access observation data storage means that stores one or more types of time-series observation data, which is observation data for the observation target, as one type of observation data stored in the observation data storage means. From the feature amount data acquisition means for acquiring two or more types of feature amount data, which is time-series data of characteristic values, and the state rule acquisition for acquiring a state rule that is a rule relating to the target state using the feature amount data Means, action rule acquisition means for acquiring an action rule that is a rule relating to a target action using the feature data, a state rule acquired by the state rule acquisition means, and an action rule acquired by the action rule acquisition means It is a program for functioning as output means.

なお、本実施の形態において、各処理(各機能)は、単一の装置(システム)によって集中処理されることによって実現されても良く、または、複数の装置によって分散処理されることによって実現されても良い。また、本実施の形態において、一の装置に存在する2以上の通信手段は、物理的に一の手段で実現されても良いことは言うまでもない。   In the present embodiment, each process (each function) may be realized by centralized processing by a single device (system), or by distributed processing by a plurality of devices. May be. In the present embodiment, it goes without saying that two or more communication means existing in one apparatus may be physically realized by one means.

また、本実施の形態において、各構成要素は、専用のハードウェアにより構成されても良く、または、ソフトウェアにより実現可能な構成要素については、プログラムを実行することによって実現されても良い。例えば、ハードディスクや半導体メモリ等の記録媒体に記録されたソフトウェア・プログラムをCPU等のプログラム実行手段が読み出して実行することによって、各構成要素が実現され得る。   In the present embodiment, each component may be configured by dedicated hardware, or a component that can be realized by software may be realized by executing a program. For example, each component can be realized by a program execution unit such as a CPU reading and executing a software program recorded on a recording medium such as a hard disk or a semiconductor memory.

なお、上記プログラムにおいて、上記プログラムが実現する機能には、ハードウェアでしか実現できない機能は含まれない。例えば、情報を取得する取得手段や、情報を出力する出力手段等におけるモデムやインターフェースカード等のハードウェアでしか実現できない機能は、上記プログラムが実現する機能には含まれない。   In the program, the functions realized by the program do not include functions that can be realized only by hardware. For example, functions that can be realized only by hardware such as a modem and an interface card in an acquisition unit that acquires information, an output unit that outputs information, and the like are not included in the functions realized by the program.

図7は、上記プログラムを実行して、上記実施の形態による本発明を実現するコンピュータの外観の一例を示す模式図である。上記実施の形態は、コンピュータハードウェアおよびその上で実行されるコンピュータプログラムによって実現され得る。   FIG. 7 is a schematic diagram showing an example of the appearance of a computer that executes the program and implements the present invention according to the embodiment. The embodiment described above can be realized by computer hardware and a computer program executed on the computer hardware.

図7において、コンピュータシステム1100は、CD−ROMドライブ1105、FDドライブ1106を含むコンピュータ1101と、キーボード1102と、マウス1103と、モニタ1104とを備える。   In FIG. 7, a computer system 1100 includes a computer 1101 including a CD-ROM drive 1105 and an FD drive 1106, a keyboard 1102, a mouse 1103, and a monitor 1104.

図8は、コンピュータシステム1100の内部構成を示す図である。図8において、コンピュータ1101は、CD−ROMドライブ1105、FDドライブ1106に加えて、MPU1111と、ブートアッププログラム等のプログラムを蓄積するためのROM1112と、MPU1111に接続され、アプリケーションプログラムの命令を一時的に蓄積すると共に、一時記憶空間を提供するRAM1113と、アプリケーションプログラム、システムプログラム、およびデータを蓄積するハードディスク1114と、MPU1111と、ROM1112等を相互に接続するバス1115とを備える。なお、コンピュータ1101は、LANへの接続を提供する図示しないネットワークカードを含んでいても良い。   FIG. 8 is a diagram showing an internal configuration of the computer system 1100. In FIG. 8, in addition to the CD-ROM drive 1105 and the FD drive 1106, a computer 1101 is connected to an MPU 1111, a ROM 1112 for storing a program such as a bootup program, and an MPU 1111. And a hard disk 1114 for accumulating application programs, system programs, and data, an MPU 1111, a ROM 1112, and a bus 1115 for interconnecting the ROM 1112 and the like. The computer 1101 may include a network card (not shown) that provides connection to the LAN.

コンピュータシステム1100に、上記実施の形態による本発明等の機能を実行させるプログラムは、CD−ROM1121、またはFD1122に蓄積されて、CD−ROMドライブ1105、またはFDドライブ1106に挿入され、ハードディスク1114に転送されても良い。これに代えて、そのプログラムは、図示しないネットワークを介してコンピュータ1101に送信され、ハードディスク1114に蓄積されても良い。プログラムは実行の際にRAM1113にロードされる。なお、プログラムは、CD−ROM1121やFD1122、またはネットワークから直接、ロードされても良い。   A program for causing the computer system 1100 to execute the functions of the present invention according to the above-described embodiment is stored in the CD-ROM 1121 or the FD 1122, inserted into the CD-ROM drive 1105 or the FD drive 1106, and transferred to the hard disk 1114. May be. Instead, the program may be transmitted to the computer 1101 via a network (not shown) and stored in the hard disk 1114. The program is loaded into the RAM 1113 when executed. The program may be loaded directly from the CD-ROM 1121, the FD 1122, or the network.

プログラムは、コンピュータ1101に、上記実施の形態による本発明の機能を実行させるオペレーティングシステム(OS)、またはサードパーティプログラム等を必ずしも含んでいなくても良い。プログラムは、制御された態様で適切な機能(モジュール)を呼び出し、所望の結果が得られるようにする命令の部分のみを含んでいても良い。コンピュータシステム1100がどのように動作するのかについては周知であり、詳細な説明は省略する。   The program does not necessarily include an operating system (OS) or a third-party program that causes the computer 1101 to execute the functions of the present invention according to the above-described embodiment. The program may include only a part of an instruction that calls an appropriate function (module) in a controlled manner and obtains a desired result. How the computer system 1100 operates is well known and will not be described in detail.

本発明は、以上の実施の形態に限定されることなく、種々の変更が可能であり、それらも本発明の範囲内に包含されるものであることは言うまでもない。また、本発明における各手段の「手段」は、「部」や「回路」と読み替えても良い。   The present invention is not limited to the above-described embodiments, and various modifications are possible, and it goes without saying that these are also included in the scope of the present invention. The “means” of each means in the present invention may be read as “part” or “circuit”.

本第一の参考例の時系列データ解析装置は、観測対象に対する観測データである1種類以上の時系列の観測データが格納される観測データ格納手段と、観測データ格納手段に格納されている1種類の観測データから、特徴的な値の時系列データである2種類以上の特徴量データを取得する特徴量データ取得手段と、特徴量データを用いて、対象の状態に関する規則である状態規則を取得する状態規則取得手段と、特徴量データを用いて、対象の行動に関する規則である行動規則を取得する行動規則取得手段と、状態規則取得手段が取得した状態規則と、行動規則取得手段が取得した行動規則とを出力する出力手段とを具備する時系列データ解析装置である。   The time-series data analysis apparatus of the first reference example is stored in observation data storage means for storing one or more types of time-series observation data that are observation data for an observation target, and in the observation data storage means 1 Feature quantity data acquisition means for acquiring two or more types of feature quantity data that is time-series data of characteristic values from types of observation data, and a state rule that is a rule relating to a target state using the feature quantity data State rule acquisition means to acquire, action rule acquisition means to acquire a behavior rule that is a rule related to the target action using the feature data, state rules acquired by the state rule acquisition means, and action rule acquisition means It is a time series data analysis apparatus provided with the output means which outputs the action rule which performed.

本第二の参考例の時系列データ解析装置は、第一の発明に対して、観測データ格納手段には、2種類以上の時系列の観測データが格納されており、特徴量データ取得手段は、観測データ格納手段に格納されている2種類以上の観測データから、3種類以上の特徴量データを取得し、状態規則取得手段は、3種類以上の特徴量データのうちのいずれかN種類以上(Nは1または2である)の特徴量データを用いて状態規則を取得し、行動規則取得手段は、3種類以上の特徴量データのうちのいずれか(3−N)種類以上の特徴量データを用いて行動規則を取得する、時系列データ解析装置である。   In the time series data analysis apparatus of the second reference example, the observation data storage means stores two or more types of time series observation data, and the feature quantity data acquisition means is From the two or more types of observation data stored in the observation data storage unit, three or more types of feature data are acquired, and the state rule acquisition unit is any one of the three or more types of feature data. The state rule is acquired using the feature amount data (N is 1 or 2), and the action rule acquisition means is any one of the three or more types of feature amount data (3-N) or more of the feature amount. It is a time series data analysis device that acquires action rules using data.

本第三の参考例の時系列データ解析装置は、第一または第二の発明に対して、観測データ格納手段には、外部環境に関する時系列の観測データをも格納され、特徴量データ取得手段は、外部環境に関する時系列の観測データからも、特徴的な値の時系列データである外部環境特徴量データを取得し、状態規則取得手段は、外部環境特徴量データの値ごと、または外部環境特徴量データの値の分類ごとに、状態規則を取得し、行動規則取得手段は、外部環境特徴量データの値ごと、または外部環境特徴量データの値の分類ごとに、行動規則を取得し、出力手段は、外部環境特徴量データごと、または外部環境特徴量データの値の分類ごとに、状態規則と行動規則とを出力する時系列データ解析装置である。   In the time-series data analysis apparatus according to the third reference example, in contrast to the first or second invention, the observation data storage means also stores time-series observation data related to the external environment, and the feature data acquisition means Obtains external environment feature value data that is characteristic time-series data from time-series observation data related to the external environment, and the state rule acquisition means obtains each value of the external environment feature value data or the external environment. The state rule is acquired for each classification of the feature data value, and the behavior rule acquisition unit acquires the behavior rule for each value of the external environment feature data or for each value of the external environment feature data. The output means is a time-series data analysis device that outputs a state rule and an action rule for each external environment feature quantity data or for each value classification of the external environment feature quantity data.

本第四の参考例の時系列データ解析装置は、第一から第三のいずれか1つの発明に対して、状態規則取得手段は、特徴量データの値を複数のグループに分類し、同一のグループに属する特徴量データの値に同一の状態ラベルを設定する状態ラベル設定手段と、状態ラベル設定手段が設定した状態ラベルの並びから状態規則を取得する状態規則特定手段とを具備する、時系列データ解析装置である。   In the time-series data analysis apparatus according to the fourth reference example, for any one of the first to third inventions, the state rule acquisition unit classifies the values of the feature data into a plurality of groups, and the same A time series comprising state label setting means for setting the same state label to the value of feature quantity data belonging to the group, and state rule specifying means for acquiring a state rule from the arrangement of the state labels set by the state label setting means Data analysis device.

本第五の参考例の時系列データ解析装置は、第一から第四のいずれか1つの発明に対して、行動規則取得手段は、特徴量データの値を複数のグループに分類し、同一のグループに属する特徴量データの値に同一の行動ラベルを設定する行動ラベル設定手段と、行動ラベル設定手段が設定した行動ラベルの並びから行動規則を取得する行動規則特定手段とを具備する、時系列データ解析装置である。   In the time-series data analysis apparatus according to the fifth reference example, the action rule acquisition unit classifies the values of the feature amount data into a plurality of groups, and the same for any one of the first to fourth inventions. A time series comprising action label setting means for setting the same action label for the value of feature quantity data belonging to a group, and action rule specifying means for acquiring action rules from the arrangement of action labels set by the action label setting means Data analysis device.

本第六の参考例の時系列データ解析装置は、第一から第五いずれか1つの発明に対して、対象は動物であり、観測データは、動物を撮影した画像データ、および動物が発した音を集音した音データを含む時系列データ解析装置である。   The time-series data analysis apparatus according to the sixth reference example is directed to any one of the first to fifth inventions, wherein the object is an animal, the observation data is image data obtained by photographing the animal, and the animal This is a time-series data analysis device including sound data obtained by collecting sounds.

参考例による時系列データ解析装置等によれば、1種類の時系列データから、2以上の特徴量データを取得することにより、複数の観点から観測対象に対する規則を取得できるため、時系列のデータを有効に活用して規則を取得することができる。   According to the time-series data analysis device or the like according to the reference example, by acquiring two or more feature amount data from one type of time-series data, it is possible to acquire rules for the observation target from a plurality of viewpoints. The rules can be obtained by effectively utilizing.

以上のように、本発明にかかる時系列データ解析装置等は、1種類の時系列データから、2以上の特徴量データを取得することにより、複数の観点から観測対象に対する規則を取得できるため、時系列のデータを有効に活用して規則を取得することができる。これは、規則を用いて対象の状態や行動によってデータを分類する装置等で用いるデータ解析装置等として有用である。   As described above, the time-series data analysis device according to the present invention can acquire rules for an observation target from a plurality of viewpoints by acquiring two or more feature amount data from one type of time-series data. Rules can be acquired by using time-series data effectively. This is useful as a data analysis device or the like used in a device or the like that classifies data according to the state or action of a target using rules.

1 時系列データ解析装置
101 観測データ格納手段
102 特徴量データ取得手段
103 状態規則取得手段
104 行動規則取得手段
105 出力手段
21 状態ラベル設定手段
22 状態規則特定手段
23 行動ラベル設定手段
24 行動規則特定手段
DESCRIPTION OF SYMBOLS 1 Time series data analyzer 101 Observation data storage means 102 Feature-value data acquisition means 103 State rule acquisition means 104 Action rule acquisition means 105 Output means 21 State label setting means 22 State rule specification means 23 Action label setting means 24 Action rule specification means 24

Claims (9)

観測対象に対する観測データである1種類以上の時系列の観測データを取得する観測データ取得部と、
前記観測データ取得部により取得された1種類以上の時系列の観測データのうち1種類の観測データを、第1の期間と、前記第1の期間よりも短い前記第2の期間とで分割し、前記分割した第1の期間のそれぞれにおける特徴的な値の時系列データである第1の特徴量データと、前記分割した第2の期間のそれぞれにおける特徴的な値の時系列データである第2の特徴量データを取得する特徴量データ取得部と、
前記特徴データ取得部により取得された第1の特徴量データを用いて、前記対象に関する第1規則を取得する第1規則取得部と、
前記特徴データ取得部により取得された第2の特徴量データを用いて、前記対象に関する第2規則を取得する第2規則取得部と、
前記第1規則取得部が取得した第1規則と、前記第2規則取得部が取得した第2規則とを出力する出力部と
を備える時系列データ解析装置。
An observation data acquisition unit for acquiring one or more types of time-series observation data as observation data for the observation target;
One type of observation data among one or more types of time series observation data acquired by the observation data acquisition unit is divided into a first period and the second period shorter than the first period. , First feature amount data that is time-series data of characteristic values in each of the divided first periods and time-series data of characteristic values in each of the divided second periods. A feature amount data acquisition unit for acquiring the feature amount data of 2;
A first rule acquisition unit that acquires a first rule related to the object using the first feature amount data acquired by the feature data acquisition unit;
A second rule acquisition unit that acquires a second rule related to the object using the second feature amount data acquired by the feature data acquisition unit;
A time-series data analysis device comprising: an output unit that outputs a first rule acquired by the first rule acquisition unit and a second rule acquired by the second rule acquisition unit.
前記第1規則取得部は、前記特徴データ取得部により取得された第1の特徴量データにおける連続して出現する値を、前記対象に関する第1規則として取得し、
前記第2規則取得部は、前記特徴データ取得部により取得された第2の特徴量データにおける連続して出現する値を、前記対象に関する第2規則として取得する、
請求項1記載の時系列データ解析装置。
The first rule acquisition unit acquires a value that continuously appears in the first feature amount data acquired by the feature data acquisition unit as a first rule related to the object,
The second rule acquisition unit acquires a value that continuously appears in the second feature amount data acquired by the feature data acquisition unit as a second rule related to the object.
The time-series data analysis apparatus according to claim 1.
前記観測データ取得部は、
2種類以上の時系列の観測データを取得し、
前記特徴量データ取得部は、
前記取得部により取得された2種類以上の観測データから、3種類以上の特徴量データを取得し、
前記第1規則取得部は、
前記3種類以上の特徴量データのうちのいずれかN種類以上(Nは1または2である)の特徴量データを用いて前記第1規則を取得し、
前記第2規則取得部は、
前記3種類以上の特徴量データのうちのいずれか(3−N)種類以上の特徴量データを用いて前記第2規則を取得する、
請求項1または2記載の時系列データ解析装置。
The observation data acquisition unit
Acquire two or more types of time series observation data,
The feature data acquisition unit
From the two or more types of observation data acquired by the acquisition unit, acquire three or more types of feature data,
The first rule acquisition unit includes:
The first rule is acquired using any N or more (N is 1 or 2) feature data among the three or more feature data.
The second rule acquisition unit
Obtaining the second rule using any (3-N) or more types of feature data among the three or more types of feature data;
The time-series data analysis apparatus according to claim 1 or 2.
前記観測データ取得部は、
外部環境に関する時系列の観測データをも取得し、
前記特徴量データ取得部は、
前記外部環境に関する時系列の観測データからも、特徴的な値の時系列データである外部環境特徴量データを取得し、
前記第1規則取得部は、
前記外部環境特徴量データの値ごと、または前記外部環境特徴量データの値の分類ごとに、前記第1規則を取得し、
前記第2規則取得部は、
前記外部環境特徴量データの値ごと、または前記外部環境特徴量データの値の分類ごとに、前記第2規則を取得し、
前記出力部は、
前記外部環境特徴量データごと、または前記外部環境特徴量データの値の分類ごとに、前記第1規則と前記第2規則とを出力する、
請求項1から3のうちいずれか一項に記載の時系列データ解析装置。
The observation data acquisition unit
Acquire time-series observation data about the external environment,
The feature data acquisition unit
From the time-series observation data related to the external environment, obtain external environment feature data that is time-series data of characteristic values,
The first rule acquisition unit includes:
Obtaining the first rule for each value of the external environment feature value data or for each classification of the value of the external environment feature value data;
The second rule acquisition unit
Obtaining the second rule for each value of the external environment feature value data or for each classification of the value of the external environment feature value data;
The output unit is
Outputting the first rule and the second rule for each external environment feature value data or for each classification of the value of the external environment feature value data;
The time series data analysis device according to any one of claims 1 to 3.
前記第1規則取得部は、
前記特徴量データの値を複数のグループに分類し、同一のグループに属する特徴量データの値に同一の第1ラベルを設定する第1ラベル設定部と、
前記第1ラベル設定部が設定した第1ラベルの並びから第1規則を取得する第1規則特定部とを備える、
請求項1から4のうちいずれか一項に記載の時系列データ解析装置。
The first rule acquisition unit includes:
A first label setting unit that classifies values of the feature amount data into a plurality of groups and sets the same first label to the values of the feature amount data belonging to the same group;
A first rule specifying unit for obtaining a first rule from the arrangement of the first labels set by the first label setting unit,
The time series data analysis device according to any one of claims 1 to 4.
前記第2規則取得部は、
前記特徴量データの値を複数のグループに分類し、同一のグループに属する特徴量データの値に同一の第2ラベルを設定する第2ラベル設定部と、
前記第2ラベル設定部が設定した第2ラベルの並びから第2規則を取得する第2規則特定部とを備える、
請求項1から5のうちいずれか一項に記載の時系列データ解析装置。
The second rule acquisition unit
A second label setting unit that classifies values of the feature amount data into a plurality of groups and sets the same second label to the values of the feature amount data belonging to the same group;
A second rule specifying unit for obtaining a second rule from the arrangement of the second labels set by the second label setting unit,
The time series data analysis device according to any one of claims 1 to 5.
前記対象は動物であり、
前記観測データは、
前記動物を撮影した画像データ、および前記動物が発した音を集音した音データを含む、
請求項1から6のうちいずれか一項に記載の時系列データ解析装置。
The subject is an animal;
The observation data is
Including image data obtained by photographing the animal, and sound data obtained by collecting sounds emitted by the animal,
The time series data analysis device according to any one of claims 1 to 6.
観測対象に対する観測データである1種類以上の時系列の観測データを取得する観測データ取得部と、特徴量データ取得部と、第1規則取得部と、第2規則取得部と、出力部とを用いて処理される時系列データ解析方法であって、
前記特徴量データ取得部が、前記取得部により取得された1種類以上の時系列の観測データのうち1種類の観測データを、第1の期間と、前記第1の期間よりも短い前記第2の期間とで分割し、前記分割した第1の期間のそれぞれにおける特徴的な値の時系列データである第1の特徴量データと、前記分割した第2の期間のそれぞれにおける特徴的な値の時系列データである第2の特徴量データを取得する特徴量データ取得ステップと、
前記第1規則取得部が、前記特徴量データ取得ステップにおいて取得された第1の特徴量データを用いて第1規則を取得する第1規則取得ステップと、
前記第2規則取得部が、前記特徴量データ取得ステップにおいて取得された第2の特徴量データを用いて第2規則を取得する第2規則取得ステップと、
前記出力部が、前記第1規則取得ステップで取得した第1規則と、前記第2規則取得ステップで取得した第2規則とを出力する出力ステップと、
を備える時系列データ解析方法。
An observation data acquisition unit that acquires one or more types of time-series observation data that is observation data for an observation target, a feature data acquisition unit, a first rule acquisition unit, a second rule acquisition unit, and an output unit A time-series data analysis method processed using
The feature amount data acquisition unit obtains one type of observation data among the one or more types of time series observation data acquired by the acquisition unit as a first period and the second period shorter than the first period. The first feature value data, which is time-series data of characteristic values in each of the divided first periods, and the characteristic values in each of the divided second periods A feature data acquisition step for acquiring second feature data that is time-series data;
A first rule acquisition step in which the first rule acquisition unit acquires a first rule using the first feature amount data acquired in the feature amount data acquisition step;
A second rule obtaining step in which the second rule obtaining unit obtains a second rule using the second feature quantity data obtained in the feature quantity data obtaining step;
An output step in which the output unit outputs the first rule acquired in the first rule acquisition step and the second rule acquired in the second rule acquisition step;
A time series data analysis method comprising:
観測対象に対する観測データである1種類以上の時系列の観測データを取得可能なコンピュータを、
前記取得された1種類以上の時系列の観測データのうち1種類の観測データを、第1の期間と、前記第1の期間よりも短い前記第2の期間とで分割し、前記分割した第1の期間のそれぞれにおける特徴的な値の時系列データである第1の特徴量データと、前記分割した第2の期間のそれぞれにおける特徴的な値の時系列データである第2の特徴量データを取得する特徴量データ取得部、
前記特徴データ取得部により取得された第1の特徴量データを用いて、前記対象に関する第1規則を取得する第1規則取得部、
前記特徴データ取得部により取得された第2の特徴量データを用いて、前記対象に関する第2規則を取得する第2規則取得部、および、
前記第1規則取得部が取得した第1規則と、前記第2規則取得部が取得した第2規則とを出力する出力部として機能させるためのプログラム。
A computer that can acquire one or more types of time-series observation data, which is the observation data for the observation target,
One type of observation data among the acquired one or more types of time-series observation data is divided into a first period and the second period shorter than the first period, and the divided first data First feature amount data that is time-series data of characteristic values in each of one period and second feature amount data that is time-series data of characteristic values in each of the divided second periods A feature data acquisition unit for acquiring
A first rule acquisition unit that acquires a first rule related to the object using the first feature amount data acquired by the feature data acquisition unit;
A second rule acquisition unit that acquires a second rule related to the object using the second feature amount data acquired by the feature data acquisition unit; and
A program for functioning as an output unit that outputs the first rule acquired by the first rule acquisition unit and the second rule acquired by the second rule acquisition unit.
JP2016054217A 2016-03-17 2016-03-17 Time-series data analysis device, time-series data analysis method, and program Active JP6128501B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2016054217A JP6128501B2 (en) 2016-03-17 2016-03-17 Time-series data analysis device, time-series data analysis method, and program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2016054217A JP6128501B2 (en) 2016-03-17 2016-03-17 Time-series data analysis device, time-series data analysis method, and program

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
JP2013049852A Division JP6057786B2 (en) 2013-03-13 2013-03-13 Time-series data analysis device, time-series data analysis method, and program

Publications (2)

Publication Number Publication Date
JP2016106338A JP2016106338A (en) 2016-06-16
JP6128501B2 true JP6128501B2 (en) 2017-05-17

Family

ID=56120337

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016054217A Active JP6128501B2 (en) 2016-03-17 2016-03-17 Time-series data analysis device, time-series data analysis method, and program

Country Status (1)

Country Link
JP (1) JP6128501B2 (en)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210232122A1 (en) * 2018-06-22 2021-07-29 Mitsubishi Electric Corporation Management device, management method, and program
CN111401205B (en) * 2020-03-11 2022-09-23 深圳市商汤科技有限公司 Action recognition method and device, electronic equipment and computer readable storage medium

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002093318A2 (en) * 2001-05-15 2002-11-21 Psychogenics Inc. Systems and methods for monitoring behavior informatics
JP2002342367A (en) * 2001-05-21 2002-11-29 Nippon Telegr & Teleph Corp <Ntt> System and method for distributing information
JP2004288144A (en) * 2003-01-29 2004-10-14 Nippon Steel Corp Apparatus and method for analyzing operation result of manufacturing process, and computer-readable storage medium

Also Published As

Publication number Publication date
JP2016106338A (en) 2016-06-16

Similar Documents

Publication Publication Date Title
JP6057786B2 (en) Time-series data analysis device, time-series data analysis method, and program
Arablouei et al. Animal behavior classification via deep learning on embedded systems
Reddy et al. Analysis of classification algorithms for plant leaf disease detection
US20190159681A1 (en) Diagnostic apparatus
US9442565B2 (en) System and method for determining distracting features in a visual display
JPWO2018078866A1 (en) Computer system, plant diagnosis method and program
CN111727482B (en) System and method for optimal sensor placement
JP6128501B2 (en) Time-series data analysis device, time-series data analysis method, and program
JPWO2019138983A1 (en) Match judgment device, match judgment method, storage medium
JP6618631B2 (en) Computer system, animal diagnosis method and program
JP7292850B2 (en) Image processing device, image processing method, and program
EP3624008A1 (en) Information processing method and information processing system
JP2019005220A (en) Program, method and system for detecting having meal
JP7052604B2 (en) Business estimation method, information processing device, and business estimation program
Achour et al. Classification of dairy cows’ behavior by energy-efficient sensor
JP5635637B2 (en) Animal abnormality detection device, animal abnormality detection method, and program
Kuankid et al. Classification of the cattle's behaviors by using accelerometer data with simple behavioral technique
KR101906456B1 (en) Apparatus and method for detecting abnormal state using artificial intelligence
JP2016103245A (en) Information processing apparatus, information processing method, and program
JP2018136887A (en) Generation device, generation method, and generation program
JP6096738B2 (en) Animal abnormality detection device, animal abnormality detection method, and program
KR20170028571A (en) Apparatus and method for detecting abnormal domestic annimal
KR101112763B1 (en) System and method for mouse interface using electromyogram sensor and inertial sensor
JP7521609B2 (en) Information processing device, feature quantity selection method, teacher data generation method, estimation model generation method, stress level estimation method, and program
Agathangelou et al. Self-configuring video-sensor networks

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20160415

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20170314

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20170403

R150 Certificate of patent or registration of utility model

Ref document number: 6128501

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

S533 Written request for registration of change of name

Free format text: JAPANESE INTERMEDIATE CODE: R313533

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350

S111 Request for change of ownership or part of ownership

Free format text: JAPANESE INTERMEDIATE CODE: R313111

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

S111 Request for change of ownership or part of ownership

Free format text: JAPANESE INTERMEDIATE CODE: R313111

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250