JP2021189833A - 特徴量生成方法及び特徴量生成装置 - Google Patents

Abstract

【課題】時系列データから目的事象の発生を予測する機械学習モデルを生成する際に、機械学習の入力データ数が膨大になるのを抑制し、負例の時系列データの基準日を決定する。【解決手段】計算機が、値とタイムスタンプを含む複数の時系列データを受け付け、前記目的事象が発生したタイムスタンプを含む目的事象発生データを受け付け、特徴量算出定義を受け付け、目的事象発生データを参照して時系列データを、正例時系列データと負例時系列データに分割し、正例時系列データにおける正例基準日を決定し、正例時系列データと正例基準日の組み合わせから正例特徴量を算出し、正例基準日、正例特徴量及び前記負例時系列データから負例基準日を決定し、負例時系列データと負例基準日の組み合わせから負例特徴量を算出する。【選択図】図２

Description

本発明は、時系列データから生成した特徴量で機械学習を行う特徴量生成装置及び特徴量生成方法に関する。

時系列データから機械学習のモデルを生成する技術としては、例えば、特許文献１が知られている。特許文献１には、製造装置の時系列データ（例えば、センサ値やイベントログ）からの故障予測を目的としたＭＩＬ（Ｍｕｌｔｉｐｌｅ Ｉｎｓｔａｎｃｅ Ｌｅａｒｎｉｎｇ）に関して、ｎｅｇａｔｉｖｅ ｂａｇのサブセットを複数抽出し、該サブセット毎にｐｏｓｉｔｉｖｅ ｂａｇと併せて学習させた分類器を生成し、該分類器群の(各特徴量に掛かる)重みの平均が大きい特徴量を優先して選択し、該特徴量を入力として故障予測モデルを学習させる技術が開示されている。

また、特許文献２には、製薬における副作用の検出を目的として、患者毎の医療事象の履歴を対象に、投薬から特定期間内に発生した疾患の組み合わせや、他の医療事象（例えば、入院や医療費）の時系列パターン及び既知の投薬と副作用の組み合わせ（ｐｏｓｉｔｉｖｅ／ｎｅｇａｔｉｖｅ）を学習して、ある医療事象の履歴が副作用発生のケースであるか否かをスコアリングする技術が開示されている。

また、特許文献３には、訓練データのラベル付与に関して、主要な特徴量（数個）から始めて、ラベリングに役立つ追加の特徴量を、熟練者に提示して選択してもらうことを何度か繰り返すことで、徐々に特徴量を増やしてラベルの再現率を高め、適切な個数の特徴量で正例の全てに該ラベルを付与する技術が開示されている。

米国特許出願公開第２０１５／０２２７８３８号明細書 米国特許出願公開第２０１７／００８３６７０号明細書 国際公開第２０１９／０４５７５９号

上記従来例では、人手によらず学習させる特徴量を絞り込むことは考慮されていない。このため、特徴量の積などによって説明変数を合成するような場合では、説明変数の組み合わせ数が膨大になる場合がある、という問題があった。

また、時系列データから、目的事象の発生（正例）を予測する機械学習のモデルを生成する際には、機械学習の入力データとなる特徴量を正例と負例から生成する。正例の時系列データは、分析対象期間を目的事象の発生した日（又は日時）を基準日とし、基準日から所定期間を分析対象期間とする。

一方、負例の時系列データは、分析対象期間は正例と同一ではあるが、目的事象が発生していないため、前記従来例ではどのように負例の基準日を決定するかについては考慮されていない、という問題があった。

そこで本発明は、上記問題点に鑑みてなされたもので、時系列データから目的事象の発生を予測する機械学習モデルを生成する際に、機械学習の入力データ数が膨大になるのを抑制し、負例の時系列データの基準日を決定することを目的とする。

本発明は、プロセッサとメモリを有する計算機が、時系列データを受け付けて目的事象の発生を予測する機械学習部への入力データとなる特徴量を生成する特徴量生成方法であって、前記計算機が、値とタイムスタンプを含む複数の時系列データを受け付ける時系列データ入力ステップと、前記計算機が、前記目的事象が発生したタイムスタンプを含む目的事象発生データを受け付ける目的事象発生データ入力ステップと、前記計算機が、前記時系列データの特徴量を算出する内容を定義した特徴量算出定義を受け付ける特徴量算出定義入力ステップと、前記計算機が、目的事象発生データを参照して前記時系列データを、正例時系列データと負例時系列データに分割する分割ステップと、前記計算機が、前記正例時系列データにおける基準日である、正例基準日を決定する正例基準日決定ステップと、前記計算機が、前記正例時系列データと前記正例基準日の組み合わせから、前記特徴量算出定義に基づいて正例特徴量を算出する正例特徴量算出ステップと、前記計算機が、前記正例基準日、前記正例特徴量、及び前記負例時系列データを入力として、負例基準日を決定する負例基準日決定ステップと、前記計算機が、前記負例時系列データと前記負例基準日の組み合わせから、前記特徴量算出定義に基づいて負例特徴量を算出する負例特徴量算出ステップと、を含む。

したがって、本発明は、特徴量の重要度が高い方から特徴量重要度の累積値を算出し、該累積値に対する閾値に基づいて、重要度の低い特徴量から徐々に排除することで、重要な特徴量を絞り込むことで、特徴量（説明変数）の組み合わせが膨大になるのを抑制することが可能となる。また、負例の時系列データから、正例の特徴量に近いことを指標として負例の基準日を決定することが可能となる。

本明細書において開示される主題の、少なくとも一つの実施の詳細は、添付されている図面と以下の記述の中で述べられる。開示される主題のその他の特徴、態様、効果は、以下の開示、図面、請求項により明らかにされる。

本発明の実施例１を示し、経時データ分析装置の構成の一例を示すブロック図である。 本発明の実施例１を示し、経時データ分析装置で行われる処理の一例を示す図である。 本発明の実施例１を示し、特徴量重要度累積値グラフの一例である。 本発明の実施例１を示し、特徴選択部で行われる処理の一例を示すフローチャートである。 本発明の実施例１を示し、経時特徴量生成部で行われる基準日のスライディング処理の一例を示す図である。 本発明の実施例１を示し、負例基準日決定部で行われる負例基準日の決定処理の一例を示す図である。 本発明の実施例１を示し、負例基準日決定部の構成の一例を示す図である。 本発明の実施例１を示し、負例基準日決定部で行われる処理の一例を示すフローチャートである。 本発明の実施例２を示し、経時データ分析装置で行われる処理の一例を示す図である。 本発明の実施例２を示し、経時データ分析装置で行われる重要度のフィードバック処理の一例を示す図である。 本発明の実施例２を示し、経時特徴量生成部と特徴選択部で行われる処理の一例を示すフローチャートである。 本発明の実施例３を示し、負例基準日決定部で行われる処理の一例を示す図である。 本発明の実施例４を示し、時系列データと予兆期間の関係を示すグラフである。 本発明の実施例４を示し、負例基準日決定部で行われる処理の一例を示す図である。 本発明の実施例４を示し、負例基準日決定部で行われる処理の変形例を示すフローチャートである。

以下、本発明の実施形態を添付図面に基づいて説明する。

図１は、本発明の実施例１を示し、経時データ分析装置１の構成の一例を示すブロック図である。

経時データ分析装置１は、プロセッサ２と、メモリ３と、ストレージ装置４と、入力装置５と、出力装置６と、通信装置７を含む計算機である。

本実施例の経時データ分析装置１は、学習用の時系列データ１０２として例えば、金融機関の口座残高を使用し、目的事象として債務不履行（貸し倒れ）の発生を用い、口座残高の時系列の推移から債務不履行の発生を予測する機械学習のモデルを生成する例を示す。

なお、時系列データ１０２は、口座残高に限定されるものではなく、また、目的事象は債務不履行の発生に限定されるものではなく、例えば、物理量の時系列から故障発生などの目的事象の発生を予測するようにしてもよい。

本実施例の時系列データ１０２は、口座の識別子毎に、値（残高）とタイムスタンプ（日付）と予め設定された識別子を一つのレコードに含む。

経時データ分析装置１のメモリ３には、予め収集された時系列データ１０２から特徴量を算出する経時特徴量生成部１１０と、特徴量の絞り込みを行う特徴選択部１５０と、機械学習を実施して予測モデルを生成する機械学習部１６０を格納する。

経時特徴量生成部１１０と、特徴選択部１５０と、機械学習部１６０の各機能部はプログラムとしてメモリ３にロードされる。

プロセッサ２は、各機能部のプログラムに従って処理を実行することによって、所定の機能を提供する機能部として稼働する。例えば、プロセッサ２は、特徴選択プログラムに従って処理を実行することで特徴選択部１５０として機能する。他のプログラムについても同様である。さらに、プロセッサ２は、各プログラムが実行する複数の処理のそれぞれの機能を提供する機能部としても稼働する。計算機及び計算機システムは、これらの機能部を含む装置及びシステムである。

経時特徴量生成部１１０は、時系列データ分割部１１１と、正例基準日決定部１１４と、負例基準日決定部１１９と、特徴量算出部１１６を含む。時系列データ分割部１１１は、時系列データ１０２を目的事象（債務不履行）が発生した正例の時系列データと、目的事象が発生しない負例の時系列データに分割する。

正例基準日決定部１１４は、目的事象発生時刻データ１０１を参照して目的事象が発生した日時を正例基準日として決定する。負例基準日決定部１１９は、後述するように、負例の時系列データから算出した特徴量に基づいて負例の時系列データの基準日を決定する。特徴量算出部１１６は、後述するように、正例の時系列データと、負例の時系列データからそれぞれ特徴量を算出する。

特徴選択部１５０は、特徴量重要度算出部１５１と、特徴量累積閾値判定部１５３を含む。特徴量重要度算出部１５１は、後述するように、特徴量の値の増減が、機械学習部１６０で生成されるモデルの予測値にどの程度の影響を与えるかを示す指標を重要度として算出する。特徴量重要度算出部１５１は、例えば、ＬｉｇｈｔＧＢＭとＳＨＡＰ（ＳＨａｐｌｅｙ Ａｄｄｉｔｉｖｅ ｅｘＰｌａｎａｔｉｏｎｓ）を組み合わせた構成を採用することができる。

特徴量重要度算出部１５１では、ＬｉｇｈｔＧＢＭで生成した予測モデルが目的事象の有無（１、０）を推測し、ＳＨＡＰは各特徴量が予測結果に対してどの程度影響を与えたのかを重要度として算出する。

特徴量累積閾値判定部１５３は、特徴量重要度算出部１５１が算出した重要度の累積値と所定の閾値Ｔｈ１を用いて学習対象から排除する特徴量を決定して、特徴量の積から目的変数を合成する際の目的変数の組み合わせの数を絞り込む。

機械学習部１６０は、特徴選択部１５０で絞り込まれた正例と負例の特徴量を入力データとして機械学習を実施し、発生頻度の低い目的事象の発生を高精度に予測するモデルを生成する。

ストレージ装置４は、目的事象発生時刻データ１０１と、時系列データ１０２と、正例基準日１１５と、負例基準日１２０と、正例特徴量１１８と、負例特徴量１２１と、特徴量算出定義１１７と、第１特徴量リスト１２２と、特徴量重要度１５２と、第２特徴量リスト１５４を格納する。

目的事象発生時刻データ１０１は、時系列データ１０２のうち予め設定された目的事象が発生した日付と、口座の識別子と、口座の残高を図示しない一つのレコードに含む。時系列データ１０２は、口座の識別子毎にと、日付と、残高及び識別子などを図示しない一つのレコードに含む。

正例基準日１１５には、正例基準日決定部１１４が出力した口座の識別子と、正例の時系列データの基準日が一つのレコードに格納される。負例基準日１２０には、負例基準日決定部１１９が出力した口座の識別子と、負例の時系列データの基準日が一つのレコードに格納される。なお、各基準日の決定については後述する。

正例特徴量１１８には、特徴量算出部１１６が算出した正例時系列データ１１２の特徴量と、時系列データ１０２の識別子が一つのレコードに格納される。なお、正例特徴量１１８は、特徴量算出定義１１７で指定された時系列データ１０２の特徴量で構成される。

負例特徴量１２１には、特徴量算出部１１６が算出した負例時系列データ１１３の特徴量と、時系列データ１０２の識別子が一つのレコードに格納される。なお、負例特徴量１２１は、特徴量算出定義１１７で指定された時系列データ１０２の特徴量で構成される。

特徴量算出定義１１７には、特徴量算出方法ユーザ設定１０３で指定された時系列データ１０２の処理対象期間や、特徴量の種類や算出方法が格納される。本実施例では、時系列データ１０２の特徴量として、例えば、平均や、最大や、最小や、分散や、標準偏差や、最大−最小や、変動係数等の統計量を用いるものとする。

第１特徴量リスト１２２には、特徴量算出方法ユーザ設定１０３で指定された学習対象の時系列データ１０２の一覧が含まれる。第１特徴量リスト１２２は、例えば、時系列データ１０２の識別子とタイムスタンプを含む。第１特徴量リスト１２２は、これに限定されるものではなく、算出された正例特徴量１１８及び負例特徴量１２１と、特徴量算出定義１１７で指定された時系列データ１０２の対応関係が識別可能なデータであればよい。

また、本実施例の第１特徴量リスト１２２は、特徴選択部１５０で絞り込まれる前の正例特徴量１１８と、負例特徴量１２１の一覧が格納される。

特徴量重要度１５２には、特徴量の識別子と、特徴量重要度算出部１５１が算出した特徴量の重要度が一つのレコードに格納される。特徴量の識別子は、正例特徴量１１８と負例特徴量１２１の特徴量の識別子に対応する値が格納される。

第２特徴量リスト１５４には、特徴選択部１５０で絞り込まれた特徴量の一覧が生成される。機械学習部１６０には、第２特徴量リスト１５４に記載されている正例特徴量１１８と負例特徴量１２１が入力される。

機械学習部１６０は、例えば、ＡＴ／ＰＲＣ（ＡＩ Ｔｅｃｈｎｏｌｏｇｙ／Ｐｒｅｄｉｃｔｉｏｎ ｏｆ Ｒａｒｅ Ｃａｓｅ）や周知又は公知の機械学習器を採用することができる。

入力装置５は、例えば、キーボードやマウスあるいはタッチパネルで構成される。出力装置６は、ディスプレイで構成される。通信装置７は、図示しないネットワークに接続されて、情報の授受を行う。

図２は、経時データ分析装置１で行われる処理の一例を示す図である。経時データ分析装置１は、入力装置５や通信装置７を介して、特徴量算出方法ユーザ設定１０３を受け付ける。

特徴量算出方法ユーザ設定１０３は、例えば、特徴量として使用する統計量の種類や、機械学習の対象とする時系列データ１０２の指定や、目的事象発生時刻データ１０１の指定等を含む。時系列データ１０２の指定は、学習対象の期間（以下、学習対象期間とする）や、口座の属性（業種等）や口座の識別子を含むことができる。

経時特徴量生成部１１０では、まず、時系列データ分割部１１１が、目的事象発生時刻データ１０１を読み込んで、時系列データ１０２を目的事象が発生した正例時系列データ１１２と、目的事象が発生していない負例時系列データ１１３に分割する。

次に、経時特徴量生成部１１０の正例基準日決定部１１４は、目的事象発生時刻データ１０１の口座の識別子と、目的事象の発生時刻（又は日付あるいはタイムスタンプ）を取得して、目的事象の発生日付を正例基準日１１５として出力する。

経時特徴量生成部１１０の負例基準日決定部１１９は、正例基準日１１５と正例特徴量１１８と負例時系列データ１１３と特徴量算出方法ユーザ設定１０３の学習対象期間を取得して、負例基準日１２０を後述するように決定する。

本実施例では、負例基準日１２０を決定する手法として、負例基準日決定部１１９が、負例基準日１２０を正例基準日１１５から所定の単位でスライドさせて学習対象期間の負例時系列データ１１３を抽出し、学習対象期間内の特徴量を特徴量算出部１１６に負例の基準日別特徴量として算出させる。

負例基準日決定部１１９は、負例基準日の候補を日単位や週単位あるいは月単位でスライドさせながら予め設定された複数の統計期間毎に特徴量を特徴量算出部１１６に算出させ、基準日をスライドさせた負例基準日の候補毎にクラスタリングを行って負例の基準日別特徴量を算出する。

また、負例基準日決定部１１９は、正例特徴量１１８についても、１以上の正例基準日１１５について前記負例の基準日候補と同様の複数の統計期間で正例時系列データ１１２の特徴量を算出し、正例基準日１１５毎に特徴量のクラスタリングを行って正例の基準日別特徴量を算出する。

そして、負例基準日決定部１１９は、所定の特徴量空間上に、負例の基準日別特徴量と正例の基準日別特徴量を配置して、正例基準日１１５の特徴量に最も近い負例の基準日別特徴量に対応する基準日候補を負例基準日１２０として決定する。

なお、負例基準日決定部１１９は、各基準日別特徴量を複数の次元で生成して、正例と負例の基準日別特徴量の距離は、例えば、幾何学的距離（例えば、ユークリッド距離など）を用いることができる。また、負例基準日決定部１１９の処理の詳細については後述する。

次に、特徴量算出部１１６は、正例基準日１１５と正例時系列データ１１２を受け付けて、特徴量算出定義１１７に従って正例特徴量１１８を算出し、負例基準日決定部１１９と特徴選択部１５０及び機械学習部１６０へ出力する。

また、特徴量算出部１１６は、負例基準日１２０と負例時系列データ１１３を受け付けて、特徴量算出定義１１７に従って負例特徴量１２１を算出し、特徴選択部１５０及び機械学習部１６０へ出力する。

また、経時特徴量生成部１１０は、正例特徴量１１８と負例特徴量１２１に含まれる正例時系列データ１１２と負例時系列データ１１３のリストを生成して第１特徴量リスト１２２として出力する。

次に、特徴選択部１５０では、特徴量重要度算出部１５１が、正例特徴量１１８と、負例特徴量１２１と、第１特徴量リスト１２２を受け付けて、各特徴量毎に特徴量重要度１５２を算出する。本実施例では、ＬｉｇｈｔＧＢＭで生成した予測モデルの予測結果に与えた影響が大きい特徴量には、値の大きな重要度が付与される。

次に、特徴選択部１５０では、特徴量累積閾値判定部１５３が、特徴量重要度１５２の値が大きい順に第１特徴量リスト１２２をソートする。そして、特徴量累積閾値判定部１５３は、特徴量重要度１５２の値が最大の特徴量重要度から値の累積を行って、累積値が所定の閾値Ｔｈ１に達するまでの特徴量（正例特徴量１１８及び負例特徴量１２１）を学習対象の特徴量として第２特徴量リスト１５４に格納する。また、特徴量累積閾値判定部１５３は、その他の特徴量（累積されていない正例特徴量１１８及び負例特徴量１２１）を第１特徴量リスト１２２から削除する。

これにより、特徴量累積閾値判定部１５３は、経時特徴量生成部１１０で算出された正例特徴量１１８と負例特徴量１２１のうち、特徴量重要度の大きい特徴量に絞り込みを行って、学習対象の特徴量の数を削減する。なお、閾値Ｔｈ１は、特徴量重要度１５２の累積値の比率や、特徴量の数の比率など予め設定された値を用いることができる。

また、特徴量累積閾値判定部１５３は生成した第２特徴量リスト１５４を特徴量重要度算出部１５１へ入力して、特徴量重要度１５２を再度生成し、特徴量累積閾値判定部１５３でさらに特徴量の絞り込みを行うループ処理を行う。

このような、特徴量重要度算出部１５１から第２特徴量リスト１５４を生成するまでのループ処理は、特徴量累積閾値判定部１５３が、特徴量重要度１５２の累積値が閾値Ｔｈ１に達した時点で、第１特徴量リスト１２２に残り（未処理）のデータが存在する場合には、残り（未処理）のデータを削除してから再度特徴量重要度１５２の算出を行って、累積値が閾値Ｔｈ１に達した時点で第１特徴量リスト１２２に残りのデータが無くなるまで絞り込みのループを行うことができる。

あるいは、特徴量累積閾値判定部１５３が、第２特徴量リスト１５４の特徴量の数が、所定の閾値Ｔｈ２となるまで繰り返すことができる。所定の閾値Ｔｈ２は、例えば、正例特徴量１１８と負例特徴量１２１の特徴量の数の総和に対する比率（例えば、６０％以下）など、予め設定された値であればよい。

以上のように、本実施例の経時データ分析装置１は、正例特徴量１１８の基準日別特徴量に最も近い負例の基準日別特徴量となる基準日を負例基準日１２０として決定するとことで、目的事象が発生していない負例時系列データ１１３の基準日を的確に設定することが可能となる。

換言すれば、経時データ分析装置１は、説明変数の組み合わせが類似する正例の特徴量と負例の特徴量を機械学習部１６０で比較させることで、有意な特徴量で学習を実施することができる。

そして、経時データ分析装置１は、正例特徴量１１８と負例特徴量１２１の特徴量重要度を算出して、特徴量重要度が最大の値から所定の閾値Ｔｈ１までの特徴量を学習対象とし、その他の特徴量を削除することで機械学習部１６０へ入力する特徴量の数を低減し、かつ、有意な特徴量を機械学習部１６０へ与えることが可能となる。

図３は、特徴量重要度累積値グラフ３０１の一例である。特徴量累積閾値判定部１５３は、特徴量重要度の大きい順に第１特徴量リスト１２２をソートして、特徴量重要度の累積値を特徴量重要度累積値として算出し、累積した特徴量の数を特徴数として算出する。

図３の特徴量重要度累積値グラフ３０１は、縦軸を特徴量重要度累積値とし、横軸を特徴数とした例を示し、閾値Ｔｈ１は、特徴量重要度累積値の比率（例えば、９０％）とした例を示す。図示の例では、閾値Ｔｈ１を超えた重要度に対応する特徴量が削除され、閾値Ｔｈ１以下の重要度に対応する特徴量が第２特徴量リスト１５４へ格納される。なお、閾値Ｔｈ１は、特徴量重要度累積値に限定されるものではなく、特徴数に対する比率としてもよい。

図４は、特徴選択部１５０で行われる処理の一例を示すフローチャートである。この処理は、経時特徴量生成部１１０から正例特徴量１１８と負例特徴量１２１及び第１特徴量リスト１２２が出力されてから開始される（４０１）。

まず、特徴量重要度算出部１５１は、経時特徴量生成部１１０から正例特徴量１１８と負例特徴量１２１及び第１特徴量リスト１２２を取得する（４０２）。特徴量重要度算出部１５１は、第１特徴量リスト１２２に記載されている正例特徴量１１８及び負例特徴量１２１の重要度を算出する（４０３）。

特徴量重要度算出部１５１は、上述したようにＬｉｇｈｔＧＢＭでとＳＨＡＰを組み合わせて、ＬｉｇｈｔＧＢＭで生成した予測モデルに第１特徴量リスト１２２の特徴量を与えて目的事象の有無を予測し、ＳＨＡＰは各特徴量が予測結果に対してどの程度影響を与えたかを重要度として算出する。そして、特徴量重要度算出部１５１は、算出された重要度と特徴量の識別子を特徴量重要度１５２へ格納する。

次に、特徴量累積閾値判定部１５３の処理に遷移する（４０４）。特徴量累積閾値判定部１５３は、特徴量重要度１５２と第１特徴量リスト１２２を取得して、特徴量重要度１５２の値の降順で第１特徴量リスト１２２をソートする（４０５）。

次に、特徴量累積閾値判定部１５３は、ステップ４０６〜４０９で、第１特徴量リスト１２２の先頭から順に特徴量重要度１５２の値を累積して、累積値が所定の閾値Ｔｈ１に達するまでループ処理を実行する。

特徴量累積閾値判定部１５３は、重要度の大きい順にソート済みの第１特徴量リスト１２２の先頭から特徴量重要度１５２の重要度を取得して、順次累積する（４０７）。

特徴量累積閾値判定部１５３は、累積値が所定の閾値Ｔｈ１に達したか否かを判定して（４０８）、閾値Ｔｈ１に達していればループ処理を終了してステップ４１０へ進み、達していなければステップ４０９に進んでループ処理を繰り返す。

次に、特徴量累積閾値判定部１５３は、第１特徴量リスト１２２の特徴量の数に残り（未処理）があるか否かを判定し（４１０）、残りがある場合にはステップ４１１へ進み、残りがない場合にはステップ４１２へ進む。なお、第１特徴量リスト１２２の特徴量の数の残りは、図３に示した削除する特徴量を示し、特徴量重要度累積値が閾値Ｔｈ１を超える部分に相当する。

ステップ４１１では、特徴量累積閾値判定部１５３が、第１特徴量リスト１２２の閾値Ｔｈ１を超える部分の特徴量を削除して、第１特徴量リスト１２２を更新する。そして、特徴量累積閾値判定部１５３は、ステップ４０３に戻って上記処理を繰り返す。

一方、ステップ４１２では、特徴量重要度累積値が閾値Ｔｈ１以下となって第１特徴量リスト１２２の特徴量の数が削減されたので、第１特徴量リスト１２２の内容（特徴量の識別子）を第２特徴量リスト１５４として出力する。

上記処理によって、特徴選択部１５０は、特徴量重要度累積値が閾値Ｔｈ１を超える部分の特徴量が削減され、かつ、重要度の大きい特徴量で構成された第２特徴量リスト１５４を生成して、機械学習部１６０へ入力することが可能となる。

次に、図５Ａ、図５Ｂを用いて、経時特徴量生成部１１０の負例基準日決定部１１９の処理について説明する。

図５Ａは、経時特徴量生成部１１０の負例基準日決定部１１９で行われる基準日のスライディング処理の一例を示す図である。図５Ｂは、負例基準日決定部１１９で行われる負例基準日の決定処理の一例を示す図である。

図５Ａは、負例時系列データ１１３として、観測値（例えば、残高）と時間（又は日付）の関係を示す。

負例基準日決定部１１９は、予め設定された日付（例えば、正例基準日１１５）を最初の基準日１として設定して、基準日１から過去１ヶ月、３ヶ月、６ヶ月、１２ヶ月などの予め設定された複数の統計期間を設定する。なお、基準日１を決定する条件は、複数の正例基準日１１５からユーザが特徴量算出方法ユーザ設定１０３で指定してもよいし、その他の条件を用いてもよい。

そして、負例基準日決定部１１９は、予め設定されたスライド幅（所定の日付間隔）を基準日１に加えた（又は減算した）日付を基準日２として設定し、１ヶ月〜１２ヶ月などの予め設定された複数の統計期間を設定する。

同様に、負例基準日決定部１１９は、所定のスライド幅でずらした基準日３〜基準日Ｎを設定し、上記と同様に複数の統計期間を設定する。負例基準日決定部１１９は、負例時系列データ１１３の全期間を上記統計期間で網羅するように基準日１から基準日Ｎを設定する。

図示の例では、過去の基準日１から現在へ向けて基準日１〜基準日Ｎをずらした例を示したが、これに限定されるものではなく、逆方向であってもよい。また、負例基準日決定部１１９は、複数の統計期間と基準日で一つの負例時系列データの全期間をカバーするように、基準日１〜基準日Ｎと複数の統計期間を設定する
次に、負例基準日決定部１１９は、基準日１〜基準日Ｎの各統計期間で負例時系列データ１１３の特徴量を特徴量算出部１１６に算出させて、各基準日毎に複数の統計期間の特徴量をクラスタリングして負例の基準日別統計量を算出して基準日１〜基準日Ｎに対応付ける。

また、負例基準日決定部１１９は、正例基準日１１５のそれぞれについて予め設定された複数の統計期間を設定して、正例時系列データ１１２の特徴量を特徴量算出部１１６に算出させ、各正例基準日１１５毎に各統計期間の特徴量を集計した正例の基準日別特徴量を算出させる。

負例基準日決定部１１９は、負例の基準日別特徴量と、正例の基準日別特徴量を図５Ｂに示す特徴空間６０２に配置して、負例の基準日別特徴量と正例の基準日別特徴量（図中基準日又は正例）の幾何学的距離を算出する。なお、図示の例では、特徴量Ａと特徴量Ｂの２次元空間を示すが、特徴量の次元数に応じた特徴空間を設定すればよい。

そして、負例基準日決定部１１９は、負例の基準日１〜基準日Ｎに対応する基準日別特徴量のうち、正例の基準日別特徴量に最も距離が近い負例の基準日別特徴量を選択し、当該負例の基準日別特徴量に対応する基準日を負例基準日１２０として決定する。

図示の特徴空間６０２では、正例２（正例の基準日２）に対応する正例の基準日別特徴量と、基準日５に対応する負例の基準日別特徴量の幾何学的距離が最も近いため、基準日５が負例基準日１２０として決定される例を示す。

図６は、負例基準日決定部１１９の構成の一例を示す図である。負例基準日決定部１１９は、負例の基準日候補として基準日１から基準日Ｎまでの複数の基準日を生成する基準日スライド部８０２と、基準日毎の特徴量から基準日別特徴量８０４を算出して、正例の基準日別特徴量に最も近い負例の基準日別特徴量８０４の基準日を負例基準日１２０として決定する特徴量空間最短距離探索部８１０と、を含む。

負例及び正例の基準日の統計期間は、例えば、上述の１ヶ月、３ヶ月、６ヶ月、１２ヶ月など所定の複数の統計期間とする。

負例基準日決定部１１９は、負例時系列データ１１３から特徴量算出方法ユーザ設定１０３で指定された負例時系列データ１１３から一つの負例時系列データ８０１を取得して、上述した所定の条件から基準日１を決定して、基準日スライド部８０２へ基準日１を入力する。

基準日スライド部８０２は、予め設定されたスライド幅で所定数の基準日２〜基準日Ｎを生成する。負例基準日決定部１１９は、生成された基準日１〜基準日Ｎについて、それぞれ予め設定された複数の統計期間を設定し、負例の基準日毎に各統計期間の負例時系列データ８０１を特徴量算出部１１６へ入力して負例の特徴量を算出させる。

負例基準日決定部１１９は、特徴量算出部１１６が算出した基準日１〜基準日Ｎの負例の特徴量を基準日別特徴量８０４として受け付けて、特徴量空間最短距離探索部８１０へ入力する。

特徴量空間最短距離探索部８１０は、正例特徴量１１８と目的事象発生時刻データ１０１を入力として負例の基準日別特徴量８０４と同様に、複数の統計期間で正例の基準日別特徴量を特徴量算出部１１６に算出させる。特徴量空間最短距離探索部８１０は、負例の基準日別特徴量８０４と、上記算出した正例の基準日別特徴量それぞれ特徴空間６０２（図５Ｂ参照）に配置し、各基準日別特徴量間の幾何学的距離を算出する。

そして、特徴量空間最短距離探索部８１０は、負例の基準日１〜基準日Ｎ（８０５）に対応する基準日別特徴量のうち、正例の基準日別特徴量に最も距離が近い負例の基準日別特徴量（負例特徴量８０６）を選択し、当該基準日別特徴量８０４に対応する基準日を負例基準日１２０として決定する。

また、特徴量空間最短距離探索部８１０は、処理対象の負例時系列データ８０１のそれぞれについて、負例基準日１２０と負例特徴量１２１を出力することができる。

図７は、負例基準日決定部１１９で行われる処理の一例を示すフローチャートである。この処理は、負例基準日決定部１１９が、負例時系列データ１１３と、正例基準日１１５及び正例特徴量１１８を受け付けてから開始される。

負例基準日決定部１１９は、負例時系列データ１１３の中から一つを選択して負例時系列データ８０１とし、正例基準日１１５を最初の基準日１として決定する（９０１）。そして、負例基準日決定部１１９は、ステップ９０２〜９０５のループで、所定のスライド幅ずつ基準日をずらして負例の特徴量を特徴量算出部１１６に算出させる。

負例基準日決定部１１９は、ステップ９０３で、現在の基準日Ｎと、予め設定された複数の統計期間と、負例時系列データ８０１を特徴量算出部１１６へ入力して、負例特徴量を算出させる。

負例基準日決定部１１９は、ステップ９０４で、複数の統計期間毎の負例特徴量を特徴量算出部１１６から取得して、所定の統計処理（例えば、平均）を行って、基準日別特徴量８０４として記憶する。

次に、負例基準日決定部１１９は、ステップ９０２へ戻って（９０５）、基準日Ｎをスライド幅だけずらして負例時系列データ８０１の終端まで上記処理を繰り返し、基準日１〜基準日Ｎの基準日別特徴量８０４をそれぞれ算出する。

負例時系列データ８０１の終端に達すると、負例基準日決定部１１９はステップ９０２〜９０５のループを終了してステップ９０６に進む。

ステップ９０６では、負例基準日決定部１１９の特徴量空間最短距離探索部８１０が、上述したように、正例基準日１１５から所定の複数の統計期間で正例時系列データ１１２の特徴量を特徴量算出部１１６に算出させ、各正例基準日１１５毎に統計期間の特徴量をクラスタリングして正例の基準日別特徴量とする。

そして、特徴量空間最短距離探索部８１０、負例の基準日別特徴量８０４と正例の基準日別特徴量を特徴量空間に配置して、各基準日別特徴量間の幾何学的距離を算出する。そして、特徴量空間最短距離探索部８１０は、正例基準日１１５の基準日別特徴量との距離が最も小さい負例の基準日別特徴量に対応する基準日を負例基準日１２０として決定して出力する（９０７）。

上記処理によって、経時特徴量生成部１１０は、負例時系列データ１１３から基準日Ｎをずらして複数の負例の基準日別特徴量を算出し、正例時系列データ１１２の基準日別特徴量に幾何学的距離が近いことを指標として特徴量を算出する起点となる負例基準日１２０を決定する。

これにより、経時データ分析装置１は、目的事象が発生していない負例時系列データ１１３において、説明変数の組み合わせが類似する正例時系列データ１１２と負例時系列データ１１３を機械学習部１６０で学習させることで、高精度なリスク推定モデルを提供することが可能となる。

以上のように、実施例１の経時データ分析装置１は、負例時系列データ１１３から正例特徴量１１８の基準日別特徴量に近いことを指標として負例基準日決定部１１９を決定し、特徴量の重要度が高い方から累積値を算出して重要度の低い特徴量から徐々に排除する処理を繰り返すことで、重要な特徴量を選別して、機械学習部１６０の学習データを生成する。

これにより、機械学習部１６０に学習させる特徴量の数を低減しながらも重要度の高い特徴量（第２特徴量リスト１５４）と、正例特徴量１１８の正例基準日別特徴量に近い指標を有する負例基準日１２０によって、計算負荷を抑制しながら精度の高い機械学習モデルを生成させることができる。本実施例の経時データ分析装置１では、発生頻度の低い目的事象の発生を高精度に予測するモデルを生成することが可能となる。

図８は、本発明の実施例２を示し、経時データ分析装置１で行われる処理の一例を示す図である。前記実施例１では特徴選択部１５０の内部で重要度を利用する例を示したが、実施例２では、特徴選択部１５０が算出した特徴量の重要度を経時特徴量生成部１１０へフィードバックさせて、経時特徴量生成部１１０が特徴量の重要度に基づいて特徴量算出定義１１７の更新を通知する例を示す。

実施例２の経時データ分析装置１は、前記実施例１の構成に対して、経時特徴量生成部１１０に特徴量算出定義更新部２０１を加え、特徴選択部１５０に最小特徴数判定部２０２と前回出力特徴量リスト２０３を加えて、特徴量重要度算出部１５１が算出した特徴量重要度１５２を経時特徴量生成部１１０の特徴量算出定義更新部２０１へフィードバックするもので、その他の構成は前記実施例１と同様である。

特徴量算出定義更新部２０１は、各統計期間の重要度の大きさに偏りがある場合、予め設定された統計期間の変更を通知する。例えば、統計期間が１ヶ月と３ヶ月の重要度が、６ヶ月や１２ヶ月の重要度よりも相対的に大きい場合には、新たに「２ヶ月」と「４ヶ月」を統計期間に追加するように通知する。

換言すれば、特徴量算出定義更新部２０１は、統計期間の数や間隔を変更することで、より大きな重要度を検出することを可能にする。なお、特徴量算出定義更新部２０１は、各統計期間の重要度を出力装置６に表示して、統計期間の数や間隔の変更を促す通知を出力してもよいし、あるいは、重要度の偏りを検出した場合に、経時データ分析装置１の利用者に統計期間の見直しを通知してもよい。

あるいは、特徴量算出定義更新部２０１が、複数の統計期間で重要度の偏りを検出すると、自動的に統計期間を変更するように特徴量算出定義１１７を更新してもよい。

特徴選択部１５０の最小特徴数判定部２０２は、特徴量累積閾値判定部１５３から第２特徴量リスト１５４が出力されると、前回出力特徴量リスト２０３に格納された前回の第２特徴量リスト１５４の特徴量の数（レコード数）と今回の第２特徴量リスト１５４の特徴量の数（レコード数）を比較する。

今回の第２特徴量リスト１５４の特徴量の数の方が小さい場合には、最小特徴数判定部２０２は、まだ、特徴量の数を低減する余地があると判定して、特徴量算出定義更新部２０１に特徴量算出定義１１７を更新して、新たな特徴量を算出させるよう指令する。また、最小特徴数判定部２０２は、最新の第２特徴量リスト１５４を前回出力特徴量リスト２０３へ格納しておく。

図９は、経時データ分析装置１で行われる重要度のフィードバック処理の一例を示す図である。

図示の例では、経時特徴量生成部１１０の特徴量算出定義１１７に、所定の統計期間として１ヶ月、３ヶ月、６ヶ月、１２ヶ月の４つの期間が予め設定されている。また、時系列データ１０２の特徴量を算出する条件として、統計量として平均値が設定されている例を示す。

特徴量算出部１１６は、特徴量算出定義１１７の統計期間に従って、正例時系列データ１１２と負例時系列データ１１３を受け付けて、正例特徴量１１８と負例特徴量１２１を特徴量算出部１１６に算出させ、第１特徴量リスト１２２と統計期間１１７１を特徴選択部１５０へ出力する。

特徴選択部１５０の特徴量重要度算出部１５１は、正例特徴量１１８と負例特徴量１２１と第１特徴量リスト１２２及び統計期間１１７１を受け付けると、各特徴量の重要度を算出して特徴量重要度１５２として出力する。

特徴量重要度１５２は、一つの基準日について複数の統計期間の重要度が格納されている。図示の例では、１ヶ月平均の重要度が０．４、３ヶ月平均の重要度が０．５で、６ヶ月平均及び１２ヶ月平均の重要度が０．１となっている。

特徴量重要度算出部１５１から特徴量重要度１５２のフィードバックを受け付けた特徴量算出定義更新部２０１は、１ヶ月平均と３ヶ月平均の重要度が高くなっていることを検出する。

特徴量算出定義更新部２０１は、重要度の値が高くなっている統計期間の近傍を細分化し、１ヶ月平均と３ヶ月平均の間の２ヶ月平均と、３ヶ月平均の１ヶ月後の４ヶ月平均を特徴量算出定義１１７に追加して更新する。

特徴量算出部１１６は、更新された特徴量算出定義１１７に基づいて再度正例特徴量１１８と負例特徴量１２１及び第１特徴量リスト１２２を算出して、特徴選択部１５０に出力する。

図１０は、経時特徴量生成部１１０と特徴選択部１５０で行われる処理の一例を示すフローチャートである。この処理は、経時特徴量生成部１１０が正例時系列データ１１２と負例時系列データ１１３と目的事象発生時刻データ１０１と特徴量算出定義１１７を受け付けて開始される（５０１）。

経時特徴量生成部１１０は、入力された正例時系列データ１１２と負例時系列データ１１３と目的事象発生時刻データ１０１及び特徴量算出定義１１７から、正例特徴量１１８と負例特徴量１２１及び第１特徴量リスト１２２を生成する（５０２）。

特徴選択部１５０の特徴量重要度算出部１５１は、正例特徴量１１８と負例特徴量１２１から各特徴量の重要度を算出して特徴量重要度１５２として出力する。次に、特徴量累積閾値判定部１５３は、第１特徴量リスト１２２を重要度の値の大きい順にソートして、重要度が上述の閾値Ｔｈ１に達するまでの特徴量を選択して、第２特徴量リスト１５４を生成して出力する（５０３）。

最小特徴数判定部２０２は、前回出力特徴量リスト２０３に格納された前回の第２特徴量リスト１５４の特徴量の数が、新たな第２特徴量リスト１５４の特徴量の数よりも大きいか否かを判定する（５０４）。

最小特徴数判定部２０２は、前回出力特徴量リスト２０３の特徴量の数の方が大きい場合には、まだ、特徴量の数を低減する余地があると判定してステップ５０５に進み、そうでない場合には、ステップ５０６へ進む。

ステップ５０５では、特徴量算出定義更新部２０１が、特徴量重要度１５２に基づいて、上述したように特徴量算出定義１１７を更新し、ステップ５０２へ戻って新たな特徴量を算出し、上記処理を繰り返す。

一方、ステップ５０６では、最小特徴数判定部２０２が、前回出力特徴量リスト２０３の第２特徴量リスト１５４を結果として出力し、処理を終了する。

以上のように、実施例２の経時データ分析装置１では、特徴量重要度算出部１５１で算出した重要度を、経時特徴量生成部１１０の特徴量算出定義更新部２０１へフィードバックすることで、新たな特徴量を算出するために特徴量算出定義１１７の更新を示唆することが可能となる。

なお、上記では、特徴量算出定義更新部２０１が統計期間を変更する例を示したが、これに限定されるものではなく、統計量の算出方法を変更してもよい。

図１１は、本発明の実施例３を示し、負例基準日決定部１１９で行われる処理の一例を示す図である。実施例３では、負例基準日決定部１１９が、目的事象（正例基準日１１５）の発生頻度に応じて選択確率を算出し、選択確率に基づいて負例基準日１２０を決定する例を示す。

本実施例では、負例基準日決定部１１９が、負例基準日選択部１１０２と正例基準日頻度分布１１０３を含む例を示す。

負例基準日決定部１１９は、正例基準日決定部１１４が出力した正例基準日１１５を受け付けて頻度分布を算出し、正例基準日頻度分布１１０３を算出する。負例基準日選択部１１０２は、負例時系列データ１１３から選択した一つの負例時系列データ１１０１を入力として、正例基準日１１５の発生頻度（正例基準日頻度分布１１０３）に応じて選択確率を算出し、選択確率に基づいて負例時系列データ１１０１の負例基準日１１０４を決定する。なお、選択確率は、２項分布やポアソン分布などの周知の手法で近似してもよい。

負例基準日決定部１１９は、決定された負例基準日１１０４をストレージ装置４の負例基準日１２０に書き込む。負例基準日決定部１１９は、処理対象の負例時系列データ１１３についてそれぞれ負例基準日１１０４を算出して負例基準日１２０に格納する。

上記処理によって、経時データ分析装置１は、正例基準日１１５の発生頻度と同一の確率分布で、負例時系列データ１１３の負例基準日１２０を決定することが可能となり、機械学習部１６０では、発生頻度の低い目的事象の発生を高精度に予測するモデルを生成することが可能となる。

図１２〜図１４は、本発明の実施例４を示す。本実施例では、目的事象の発生に関連した事象（以下、重要事象）から負例基準日１２０を決定する例を示す。本実施例の負例基準日決定部１１９は、重要事象の発生日から目的事象が発生した正例基準日１１５までの期間を予兆期間とし、正例時系列データ１１２のそれぞれについて予兆期間を算出し、算出された予兆期間の頻度分布などの統計処理の結果に基づいて負例基準日１２０を決定する。

本実施例の重要事象としては、目的事象がデフォルトの場合、例えば、ローン契約実行日や、高額の借入実行日、当座貸越が所定の金額を超過した日など、予め設定された事象である。

経時データ分析装置１は、これらの重要事象が発生した日から正例基準日１１５までの期間を予兆期間として算出し、複数の正例時系列データ１１２のそれぞれについて予兆期間を算出し、これらの正例の予兆期間の頻度分布を算出する。そして、経時データ分析装置１は、正例の予兆期間の頻度分布に基づいて、負例時系列データ１１３の負例基準日１２０と負例の予兆期間を算出する例を示す。

図１２は、正例時系列データ１１２から算出した特徴量（図中重要特徴量）と予兆期間の関係を示すグラフである。正例の時系列データ７０１は、正例時系列データ１１２から選択したデータの特徴量と時間の関係を示すグラフである。特徴量としては、例えば、借入残高や当座貸越残高の統計量（例えば、平均や、最大、最小、分散、標準偏差、最大−最小、変動係数等）を用いる例を示す。

図示の例では、上述のように目的事象が発生した日を正例基準日１１５とし、目的事象に関連する重要事象が発生した日を重要事象発生日として、正例基準日１１５から重要事象発生日までの期間を予兆期間とする。さらに、本実施例では、正例基準日１１５から過去の所定期間を統計期間として設定する。

図示の例では、特徴量が閾値Ｔｈ３を超えた日を、重要事象発生日とする例を示すが、上述のように、ローンの実行日や借入日など日付や時刻が明確な重要事象の発生データが存在する場合には、当該重要事象の発生データを重要事象発生日としてもよい。閾値Ｔｈ３は、例えば、特徴量の最大値の９０％など、予め設定した値や比率を用いることができる。

図１３は、負例基準日決定部１１９で行われる処理の一例を示す図である。実施例４の負例基準日決定部１１９は、重要特徴量閾値超過探索部１００２と、予兆期間決定部１００４と、加算部１００７を含む。実施例４の経時データ分析装置１のその他の構成は、前記実施例１又は前記実施例２と同様である。

重要特徴量閾値超過探索部１００２は、負例時系列データ１１３から受け付けたデータを負例時系列データ１００１として、特徴量算出定義１１７で設定された重要事象を判定する項目を参照して、当該項目について負例の特徴量を特徴量算出部１１６に算出させる。

重要特徴量閾値超過探索部１００２は、特徴量算出部１１６が算出した負例の特徴量を負例時系列データ１００１の時系列の過去から現在へ向けて所定の閾値Ｔｈ４と比較し、負例の特徴量が当該閾値Ｔｈ４を初めて超えた日を重要事象発生日１００３として出力する。

予兆期間決定部１００４は、正例特徴量１１８と正例基準日１１５を入力して、予め設定された閾値Ｔｈ３と比較を行って、正例の重要事象発生日を抽出し、正例基準日１１５と重要事象発生日の期間を予兆期間として算出する。

そして、予兆期間決定部１００４は、複数の正例特徴量１１８のそれぞれについて予兆期間を算出し、さらに予兆期間の頻度分布を算出して、正例予兆期間頻度分布１００５として保持する。

そして、予兆期間決定部１００４は、正例予兆期間頻度分布１００５の正例の予兆期間の頻度分布に合うように、予兆期間１００６を確率的に決定し、加算部１００７へ出力する。

加算部１００７は、負例の重要事象発生日１００３に予兆期間決定部１００４からの予兆期間１００６を加算して負例基準日１００８を生成する。加算部１００７は、入力された負例時系列データ１００１のそれぞれについて負例基準日１００８を算出して負例基準日１２０に格納する。

なお、予兆期間決定部１００４は、正例において重要事象の発生日から目的事象の発生日までの期間の逆数を新たな目的関数としてもよい。

図１４は、負例基準日決定部１１９で行われる処理の変形例を示すフローチャートである。図示の例では、経時特徴量生成部１１０が、前記実施例２の図８で示したように、特徴選択部１５０から特徴量重要度１５２のフィードバックを受け付ける場合を示すが、これに限定されるものではない。

負例基準日決定部１１９は、指定された正例時系列データ１１２の正例特徴量１１８を受け付けて処理を開始する（Ｓ１３０１）。特徴選択部１５０からフィードバックされた特徴量重要度１５２のうち、所定の閾値Ｔｈ５を超える特徴量重要度１５２があるか否かを判定する（Ｓ１３０２）。特徴量重要度１５２のうち所定の閾値Ｔｈ５を超える特徴量重要度１５２が存在する場合にはステップＳ１３０３へ進み、そうでない場合には処理を終了する。

ステップＳ１３０３では、負例基準日決定部１１９は受け付けた特徴量について、図１２で示したように、現在の重要特徴量について閾値Ｔｈ３を決定する。閾値Ｔｈ３は、図１２で示したように、重要特徴量の最大値に対する所定の比率で設定することができる。

ステップＳ１３０４〜Ｓ１３０７では、負例基準日決定部１１９が受け付けた正例時系列データ１１２のそれぞれについて正例特徴量１１８を重要特徴量として扱って処理を繰り返す。

ステップＳ１３０５で、負例基準日決定部１１９が正例特徴量１１８から閾値Ｔｈ３を超える日が存在する場合には、重要事象発生日として取得する。負例基準日決定部１１９は、重要事象発生日を取得した場合には正例基準日１１５を取得して、正例基準日１１５から重要事象発生日までの期間を予兆期間として算出する（１３０６）。

負例基準日決定部１１９は、受け付けた正例時系列データ１１２の全てについてステップＳ１３０４〜Ｓ１３０７の処理が完了すると、ステップＳ１３０８で、正例の予兆期間の頻度分布を算出し、正例予兆期間頻度分布１００５を生成する。

ステップＳ１３０９〜Ｓ１３１３では、負例基準日決定部１１９が受け付けた負例時系列データ１１３のそれぞれについて処理を繰り返す。ステップＳ１３１０では、負例基準日決定部１１９が負例特徴量１２１を一つ選択して、重要特徴量（借入残高や当座貸越残高の統計量）が所定の閾値Ｔｈ３を超えた日を重要事象発生日として取得する。

ステップＳ１３１１では、負例基準日決定部１１９が正例予兆期間頻度分布１００５を参照して、正例の予兆期間の頻度分布に合うように負例での予兆期間を決定する。即ち、予兆期間を確率変数として、前記頻度分布を確率分布と見做し、該分布に従って個々の負例の予兆期間を確率的に選択する。ステップＳ１３１２では、負例基準日決定部１１９が重要事象発生日に負例の予兆期間を加算して負例基準日１２０を算出する。

負例基準日決定部１１９は、受け付けた負例時系列データ１１３の全てについてステップＳ１３０９〜Ｓ１３１３の繰り返し処理を実行する。

上記処理によって、経時データ分析装置１は、正例の特徴量に近いことを指標として、負例時系列データ１１３の負例基準日１２０を決定することが可能となり、機械学習部１６０では、発生頻度の低い目的事象の発生を高精度に予測するモデルを生成することが可能となる。

＜結び＞
以上のように、上記各実施例は、以下のような構成とすることができる。

（１）プロセッサ２とメモリ３を有する計算機（経時データ分析装置１）が、時系列データ（１０２）を受け付けて目的事象の発生を予測する機械学習部（１６０）への入力データとなる特徴量を生成する特徴量生成方法であって、前記計算機が、値とタイムスタンプを含む複数の時系列データ（１０２）を受け付ける時系列データ（１０２）入力ステップと、前記計算機が、前記目的事象が発生したタイムスタンプを含む目的事象発生データ（目的事象発生時刻データ１０１）を受け付ける目的事象発生データ入力ステップと、前記計算機が、前記時系列データ（１０２）の特徴量を算出する内容を定義した特徴量算出定義（１１７）を受け付ける特徴量算出定義入力ステップと、前記計算機が、目的事象発生データ（１０１）を参照して前記時系列データ（１０２）を、正例時系列データ（１１２）と負例時系列データ（１１３）に分割する分割ステップと、前記計算機が、前記正例時系列データ（１１２）における基準日である、正例基準日（１１５）を決定する正例基準日決定ステップと、前記計算機が、前記正例時系列データ（１１２）と前記正例基準日（１１５）の組み合わせから、前記特徴量算出定義（１１７）に基づいて正例特徴量（１１８）を算出する正例特徴量算出ステップと、前記計算機が、前記正例基準日（１１５）、前記正例特徴量（１１８）及び前記負例時系列データ（１１３）を入力として、負例基準日（１２０）を決定する負例基準日決定ステップと、前記計算機が、前記負例時系列データ（１１３）と前記負例基準日（１２０）の組み合わせから、前記特徴量算出定義（１１７）に基づいて負例特徴量（１２１）を算出する負例特徴量算出ステップと、を含むことを特徴とする特徴量生成方法。

上記構成により、経時データ分析装置１は、負例時系列データ１１３から正例特徴量１１８の基準日別特徴量に近いことを指標として負例基準日決定部１１９を決定することで、目的事象が発生していない負例時系列データ１１３における基準日を決定することが可能となる。これにより、経時データ分析装置１は、発生頻度の低い目的事象の発生を高精度に予測するモデルを生成することが可能となる。

（２）上記（１）に記載の特徴量生成方法であって、前記計算機が、前記正例特徴量（１１８）と負例特徴量（１２１）のリストを第１特徴量リスト（１２２）として生成し、前記正例特徴量（１１８）及び前記負例特徴量（１２１）と第１特徴量リスト（１２２）を出力する経時特徴量生成ステップと、前記計算機が、前記第１特徴量リスト（１２２）に記載されている正例特徴量（１１８）と負例特徴量（１２１）の特徴量重要度（１５２）を算出する特徴量重要度算出ステップと、前記計算機が、前記特徴量重要度（１５２）の値が大きい順に累積を行って、累積値が所定の閾値Ｔｈ１に達するまでの正例特徴量（１１８）及び負例特徴量（１２１）を学習対象の特徴量として第２特徴量リスト（１５４）に格納する特徴量累積閾値判定ステップと、をさらに含むことを特徴とする特徴量生成方法。

上記構成により、特徴量重要度の値が高い方から累積値を算出して重要度の低い特徴量から徐々に排除する処理を繰り返すことで、重要な特徴量を選別することで、機械学習部１６０に学習させる特徴量の数を低減しながらも重要度の高い特徴量（第２特徴量リスト１５４）で学習を実施することで、高精度な予測するモデルを生成することが可能となる。

（３）上記（１）に記載の特徴量生成方法であって、前記特徴量累積閾値判定ステップは、前記累積値が所定の閾値Ｔｈ１に達した時点で、第１特徴量リスト（１２２）に未処理のデータが存在する場合には、未処理のデータを削除してから再度前記特徴量重要度算出ステップで特徴量重要度（１５２）の算出を行って、前記特徴量重要度（１５２）の累積値が閾値Ｔｈ１に達した時点で第１特徴量リスト（１２２）に未処理のデータが無くなるまで前記特徴量重要度算出ステップと、前記特徴量累積閾値判定部ステップによる絞り込みを繰り返すことを特徴とする特徴量生成方法。

上記構成により、経時データ分析装置１は、重要な特徴量を選別することで、機械学習部１６０に学習させる特徴量の数を低減しながらも重要度の高い特徴量（第２特徴量リスト１５４）で学習を実施することで、高精度な予測するモデルを生成することが可能となる。

（４）上記（２）に記載の特徴量生成方法であって、前記計算機が、前記算出された前記特徴量重要度（１５２）を入力して、前記特徴量重要度（１５２）の値に応じて前記特徴量算出定義（１１７）を変更する特徴量算出更新ステップを、さらに含むことを特徴とする特徴量生成方法。

上記構成により、経時データ分析装置１では、特徴量重要度算出部１５１で算出した重要度を、経時特徴量生成部１１０の特徴量算出定義更新部２０１へフィードバックすることで、新たな特徴量を算出するために特徴量算出定義１１７の更新を示唆することが可能となる。

（５）上記（１）に記載の特徴量生成方法であって、前記負例基準日決定ステップは、第１基準日を予め設定された基準日に設定し、前記第１基準日から所定の日数間隔でずらして第Ｎ基準日まで複数の基準日を設定する基準スライドステップと、前記第１基準日から前記第Ｎ基準日までのそれぞれについて、予め設定した複数の統計期間を設定する統計期間設定ステップと、前記第１基準日から前記第Ｎ基準日までのそれぞれについて各統計期間で負例時系列データ（１１３）の特徴量を算出して各基準日毎に負例基準日別特徴量（８０４）を算出する負例基準日別特徴量算出ステップと、前記正例基準日（１１５）のそれぞれについて前記複数の各統計期間で正例時系列データ（１１２）の特徴量を算出して各正例基準日（１１５）毎に正例基準日別特徴量を算出する正例基準日別特徴量算出ステップと、前記負例基準日別特徴量と前記正例基準日別特徴量を所定の特徴量空間に配置して、各基準日間の距離を算出して、前記正例基準日別特徴量のうちの何れかと最も距離の近い負例基準日別特徴量の基準日を負例基準日（１２０）として決定する決定ステップと、を含むことを特徴とする特徴量生成方法。

上記構成により、経時データ分析装置１は、負例時系列データ１１３から正例特徴量１１８の基準日別特徴量に近いことを指標として負例基準日決定部１１９を決定することが可能となる。これにより、経時データ分析装置１は、発生頻度の低い目的事象の発生を高精度に予測するモデルを生成することが可能となる。

（６）上記（５）に記載の特徴量生成方法であって、前記負例基準日決定ステップは、前記複数の統計期間が負例時系列データ（１１３）の全期間を網羅するように、前記第１基準日から第Ｎ基準日と前記統計期間を設定することを特徴とする特徴量生成方法。

上記構成により、経時データ分析装置１は、負例時系列データ１１３から正例特徴量１１８の基準日別特徴量に近いことを指標として負例基準日決定部１１９を決定することが可能となる。これにより、経時データ分析装置１は、発生頻度の低い目的事象の発生を高
（７）上記（１）に記載の特徴量生成方法であって、前記負例基準日決定ステップは、前記正例時系列データ（１１２）のそれぞれについて目的事象の発生に関連する重要事象の発生日を重要事象発生日（１００３）として取得して、前記重要事象発生日（１００３）から前記正例基準日（１１５）までの期間を予兆期間とし、前記正例時系列データ（１１２）のそれぞれについて正例予兆期間頻度分布を算出し、前記正例予兆期間頻度分布と同一の確率分布となるように、前記負例時系列データ（１１３）の負例基準日（１２０）を決定することを特徴とする特徴量生成方法。

上記構成により、経時データ分析装置１は、正例特徴量１１８の重要事象発生日から目的事象発生時刻までの予兆期間を算出し、目的事象の発生に関連する重要事象発生日を負例時系列データ１１３に設定して、予兆期間を加算することで負例基準日１２０を決定することが可能となる。

（８）上記（１）に記載の特徴量生成方法であって、前記負例基準日決定ステップは、 前記正例基準日（１１５）の頻度分布（１００５）を算出し、前記頻度分布（１００５）と同一の確率分布で、負例時系列データ（１１３）のそれぞれについて負例基準日（１２０）を決定することを特徴とする特徴量生成方法。

上記構成により、経時データ分析装置１は、正例基準日１１５の発生頻度と同一の確率分布で、負例時系列データ１１３の負例基準日１２０を決定することが可能となり、機械学習部１６０では、発生頻度の低い目的事象の発生を高精度に予測するモデルを生成することが可能となる。

（９）上記（５）に記載の特徴量生成方法であって、前記計算機が、前記特徴量重要度（１５２）を受け付けて前記特徴量算出定義（１１７）を更新する特徴量算出定義（１１７）更新ステップを、さらに含み、前記特徴量重要度（１５２）算出ステップは、前記複数の異なる統計期間毎の前記特徴量から前記特徴量重要度（１５２）を算出し、前記特徴量算出定義（１１７）更新ステップは、前記複数の異なる統計期間毎の前記特徴量重要度（１５２）を受け付けて、前記特徴量重要度（１５２）が他の統計期間よりも大きい統計期間が存在する場合には、新たな統計期間の追加を通知する。

上記構成により、経時データ分析装置１は、特徴量重要度算出部１５１で算出した重要度を、経時特徴量生成部１１０の特徴量算出定義更新部２０１へフィードバックすることで、新たな特徴量を算出するために特徴量算出定義１１７の更新を示唆することが可能となる。

（１０）上記（７）に記載の特徴量生成手法であって、前記負例基準日決定ステップは、前記正例時系列データ（１１２）のそれぞれについて目的事象の発生に関連する重要事象の発生日を重要事象発生日（１００３）として取得して、前記重要事象発生日（１００３）から前記正例基準日（１１５）までの期間を予兆期間として算出し、前記正例時系列データ（１１２）のそれぞれについて正例予兆期間頻度分布を算出し、前記正例予兆期間頻度分布（１００５）から予兆期間を決定するステップと、前記負例時系列データ（１１３）のそれぞれについて特徴量を算出し、当該特徴量から特徴量重要度（１５２）を算出し、前記特徴量重要度（１５２）を値の大きい順に累積を行って、累積値が所定の閾値Ｔｈ１に達するまでの負例特徴量（１２１）を算出するステップと、前記負例時系列データ（１１３）の時系列の過去から現在へ向けて特徴量が所定の閾値Ｔｈ４を初めて超えた日を重要事象発生日（１００３）として算出するステップと、前記正例予兆期間頻度分布（１００５）から算出した予兆期間を前記重要事象発生日（１００３）に加算して負例基準日（１２０）を算出するステップと、を含むことを特徴とする特徴量生成方法。

上記構成により、経時データ分析装置１は、正例特徴量１１８の重要事象発生日から目的事象発生時刻までの予兆期間を算出し、目的事象の発生に関連する重要事象発生日を負例特徴量１２１から算出し、負例の重要事象発生日に予兆期間を加算することで負例基準日１２０を決定することが可能となる。

なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明を分かりやすく説明するために詳細に記載したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加、削除、又は置換のいずれもが、単独で、又は組み合わせても適用可能である。

また、上記の各構成、機能、処理部、及び処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、上記の各構成、及び機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記録装置、又は、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に置くことができる。

また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際には殆ど全ての構成が相互に接続されていると考えてもよい。

１ 経時データ分析装置
２ プロセッサ
３ メモリ
４ ストレージ装置
１０１ 目的事象発生時刻データ
１０２ 時系列データ
１０３ 特徴量算出方法ユーザ設定
１１０ 経時特徴量生成部
１１１ 時系列データ分割部
１１２ 正例時系列データ
１１３ 負例時系列データ
１１４ 正例基準日決定部
１１５ 正例基準日
１１６ 特徴量算出部
１１７ 特徴量算出定義
１１８ 正例特徴量
１１９ 負例基準日決定部
１２０ 負例基準日
１２１ 負例特徴量
１２２ 第１特徴量リスト
１５０ 特徴選択部
１５１ 特徴量重要度算出部
１５２ 特徴量重要度
１５３ 特徴量累積閾値判定部
１５４ 第２特徴量リスト
１６０ 機械学習部

Claims (20)

1. プロセッサとメモリを有する計算機が、時系列データを受け付けて目的事象の発生を予測する機械学習部への入力データとなる特徴量を生成する特徴量生成方法であって、
   前記計算機が、値とタイムスタンプを含む複数の時系列データを受け付ける時系列データ入力ステップと、
   前記計算機が、前記目的事象が発生したタイムスタンプを含む目的事象発生データを受け付ける目的事象発生データ入力ステップと、
   前記計算機が、前記時系列データの特徴量を算出する内容を定義した特徴量算出定義を受け付ける特徴量算出定義入力ステップと、
   前記計算機が、目的事象発生データを参照して前記時系列データを、正例時系列データと負例時系列データに分割する分割ステップと、
   前記計算機が、前記正例時系列データにおける基準日である、正例基準日を決定する正例基準日決定ステップと、
   前記計算機が、前記正例時系列データと前記正例基準日の組み合わせから、前記特徴量算出定義に基づいて正例特徴量を算出する正例特徴量算出ステップと、
   前記計算機が、前記正例基準日、前記正例特徴量、及び前記負例時系列データを入力として、負例基準日を決定する負例基準日決定ステップと、
   前記計算機が、前記負例時系列データと前記負例基準日の組み合わせから、前記特徴量算出定義に基づいて負例特徴量を算出する負例特徴量算出ステップと、
   を含むことを特徴とする特徴量生成方法。
2. 請求項１に記載の特徴量生成方法であって、
   前記計算機が、前記正例特徴量と負例特徴量のリストを第１特徴量リストとして生成し、前記正例特徴量及び前記負例特徴量と第１特徴量リストを出力する経時特徴量生成ステップと、
   前記計算機が、前記第１特徴量リストに記載されている正例特徴量と負例特徴量の特徴量重要度を算出する特徴量重要度算出ステップと、
   前記計算機が、前記特徴量重要度の値が大きい順に累積を行って、累積値が所定の閾値Ｔｈ１に達するまでの正例特徴量及び負例特徴量を学習対象の特徴量として第２特徴量リストに格納する特徴量累積閾値判定ステップと、
   をさらに含むことを特徴とする特徴量生成方法。
3. 請求項２に記載の特徴量生成方法であって、
   前記特徴量累積閾値判定ステップは、
   前記累積値が所定の閾値Ｔｈ１に達した時点で、第１特徴量リストに未処理のデータが存在する場合には、未処理のデータを削除してから再度前記特徴量重要度算出ステップで特徴量重要度の算出を行って、前記特徴量重要度の累積値が閾値Ｔｈ１に達した時点で第１特徴量リストに未処理のデータが無くなるまで前記特徴量重要度算出ステップと、前記特徴量累積閾値判定ステップによる絞り込みを繰り返すことを特徴とする特徴量生成方法。
4. 請求項２に記載の特徴量生成方法であって、
   前記計算機が、前記算出された前記特徴量重要度を入力して、前記特徴量重要度の値に応じて前記特徴量算出定義を変更する特徴量算出更新ステップを、さらに含むことを特徴とする特徴量生成方法。
5. 請求項１に記載の特徴量生成方法であって、
   前記負例基準日決定ステップは、
   第１基準日を予め設定された基準日に設定し、前記第１基準日から所定の日数間隔でずらして第Ｎ基準日まで複数の基準日を設定する基準スライドステップと、
   前記第１基準日から前記第Ｎ基準日までのそれぞれについて、予め設定した複数の統計期間を設定する統計期間設定ステップと、
   前記第１基準日から前記第Ｎ基準日までのそれぞれについて各統計期間で負例時系列データの特徴量を算出して各基準日毎に負例基準日別特徴量を算出する負例基準日別特徴量算出ステップと、
   前記正例基準日のそれぞれについて前記複数の各統計期間で正例時系列データの特徴量を算出して各正例基準日毎に正例基準日別特徴量を算出する正例基準日別特徴量算出ステップと、
   前記負例基準日別特徴量と前記正例基準日別特徴量を所定の特徴量空間に配置して、各基準日間の距離を算出して、前記正例基準日別特徴量のうちの何れかと最も距離の近い負例基準日別特徴量の基準日を負例基準日として決定する決定ステップと、を含むことを特徴とする特徴量生成方法。
6. 請求項５に記載の特徴量生成方法であって、
   前記負例基準日決定ステップは、
   前記複数の統計期間が負例時系列データの全期間を網羅するように、前記第１基準日から第Ｎ基準日と前記統計期間を設定することを特徴とする特徴量生成方法。
7. 請求項１に記載の特徴量生成方法であって、
   前記負例基準日決定ステップは、
   前記正例時系列データのそれぞれについて目的事象の発生に関連する重要事象の発生日を重要事象発生日として取得して、前記重要事象発生日から前記正例基準日までの期間を予兆期間とし、前記正例時系列データのそれぞれについて正例予兆期間頻度分布を算出し、前記正例予兆期間頻度分布と同一の確率分布となるように、前記負例時系列データの負例基準日を決定することを特徴とする特徴量生成方法。
8. 請求項１に記載の特徴量生成方法であって、
   前記負例基準日決定ステップは、
   前記正例基準日の頻度分布を算出し、前記頻度分布と同一の確率分布で、負例時系列データのそれぞれについて負例基準日を決定することを特徴とする特徴量生成方法。
9. 請求項５に記載の特徴量生成方法であって、
   前記計算機が、前記特徴量重要度を受け付けて前記特徴量算出定義を更新する特徴量算出定義更新ステップを、さらに含み、
   前記特徴量重要度算出ステップは、
   前記複数の異なる統計期間毎の前記特徴量から前記特徴量重要度を算出し、
   前記特徴量算出定義更新ステップは、
   前記複数の異なる統計期間毎の前記特徴量重要度を受け付けて、前記特徴量重要度が他の統計期間よりも大きい統計期間が存在する場合には、新たな統計期間の追加を通知することを特徴とする特徴量生成方法。
10. 請求項７に記載の特徴量生成手法であって、
    前記負例基準日決定ステップは、
    前記正例時系列データのそれぞれについて目的事象の発生に関連する重要事象の発生日を重要事象発生日として取得して、前記重要事象発生日から前記正例基準日までの期間を予兆期間として算出し、前記正例時系列データのそれぞれについて正例予兆期間頻度分布を算出し、前記正例予兆期間頻度分布から予兆期間を決定するステップと、
    前記負例時系列データのそれぞれについて特徴量を算出し、当該特徴量から特徴量重要度を算出し、前記特徴量重要度を値の大きい順に累積を行って、累積値が所定の閾値Ｔｈ１に達するまでの負例特徴量を算出するステップと、
    前記負例時系列データの時系列の過去から現在へ向けて特徴量が所定の閾値Ｔｈ４を初めて超えた日を重要事象発生日として算出するステップと、
    前記正例予兆期間頻度分布から算出した予兆期間を前記重要事象発生日に加算して負例基準日を算出するステップと、
    を含むことを特徴とする特徴量生成方法。
11. プロセッサとメモリを含んで、時系列データを受け付けて目的事象の発生を予測する機械学習部への入力データとなる特徴量を生成する特徴量生成装置であって、
    値とタイムスタンプを含む複数の時系列データと、前記目的事象が発生したタイムスタンプを含む目的事象発生データと、前記時系列データの特徴量を算出する内容を定義した特徴量算出定義とを受け付けて、前記時系列データから正例特徴量と負例特徴量及び第１特徴量リストを出力する経時特徴量生成部と、
    前記正例特徴量と前記負例特徴量及び前記第１特徴量リストを受け付けて、学習対象の前記正例特徴量及び前記負例特徴量を指定する第２特徴量リストを生成する特徴選択部と、を有し、
    前記経時特徴量生成部は、
    目的事象発生データを参照して前記時系列データを、正例時系列データと負例時系列データに分割する時系列データ分割部と、
    前記正例時系列データにおける基準日である、正例基準日を決定する正例基準日決定部と、
    前記正例時系列データと前記正例基準日の組み合わせから、前記特徴量算出定義に基づいて正例特徴量を算出する特徴量算出部と、
    前記正例基準日、前記正例特徴量及び前記負例時系列データを入力として、負例基準日を決定する負例基準日決定部と、を有し、
    前記特徴量算出部は、
    前記負例時系列データと前記負例基準日の組み合わせから、前記特徴量算出定義に基づいて負例特徴量を算出することを特徴とする特徴量生成装置。
12. 請求項１１に記載の特徴量生成装置であって、
    前記経時特徴量生成部は、
    前記正例特徴量と前記負例特徴量のリストを第１特徴量リストとして生成し、前記正例特徴量及び前記負例特徴量と第１特徴量リストを出力し、
    前記特徴選択部１５０は、
    前記第１特徴量リストに記載されている正例特徴量と負例特徴量の特徴量重要度を算出する特徴量重要度算出部と、
    前記特徴量重要度の値が大きい順に累積を行って、累積値が所定の閾値Ｔｈ１に達するまでの前記正例特徴量及び前記負例特徴量を学習対象の特徴量として第２特徴量リストに格納する特徴量累積閾値判定部と、
    をさらに有することを特徴とする特徴量生成装置。
13. 請求項１１に記載の特徴量生成装置であって、
    前記特徴量累積閾値判定部は、
    前記累積値が所定の閾値Ｔｈ１に達した時点で、前記第１特徴量リストに未処理のデータが存在する場合には、未処理のデータを削除してから再度前記特徴量重要度算出部で特徴量重要度の算出を行って、前記特徴量重要度の累積値が閾値Ｔｈ１に達した時点で第１特徴量リストに未処理のデータが無くなるまで前記特徴量重要度算出部と前記特徴量累積閾値判定部による絞り込みを繰り返すことを特徴とする特徴量生成装置。
14. 請求項１２に記載の特徴量生成装置であって、
    前記算出された前記特徴量重要度を入力して、前記特徴量重要度の値に応じて前記特徴量算出定義を変更する特徴量算出定義更新部を、さらに有することを特徴とする特徴量生成装置。
15. 請求項１１に記載の特徴量生成装置であって、
    前記負例基準日決定部は、
    第１基準日を予め設定された基準日に設定し、前記第１基準日から所定の日数間隔でずらして第Ｎ基準日まで複数の基準日を設定し、前記第１基準日から前記第Ｎ基準日までのそれぞれについて、予め設定した複数の統計期間を設定し、前記第１基準日から前記第Ｎ基準日までのそれぞれについて各統計期間で負例時系列データの特徴量を算出して各基準日毎に負例基準日別特徴量を算出し、前記正例基準日のそれぞれについて前記複数の各統計期間で正例時系列データの特徴量を算出して各正例基準日毎に正例基準日別特徴量を算出し、前記負例基準日別特徴量と前記正例基準日別特徴量を所定の特徴量空間に配置して、各基準日間の距離を算出して、前記正例基準日別特徴量のうちの何れかと最も距離の近い負例基準日別特徴量の基準日を負例基準日として決定することを特徴とする特徴量生成装置。
16. 請求項１５に記載の特徴量生成装置であって、
    前記負例基準日決定部は、
    前記複数の統計期間が前記負例時系列データの全期間を網羅するように、前記第１基準日から第Ｎ基準日と前記統計期間を設定することを特徴とする特徴量生成装置。
17. 請求項１１に記載の特徴量生成装置であって、
    前記負例基準日決定部は、
    前記正例時系列データのそれぞれについて目的事象の発生に関連する重要事象の発生日を重要事象発生日として取得して、前記重要事象発生日から前記正例基準日までの期間を予兆期間とし、前記正例時系列データのそれぞれについて正例予兆期間頻度分布を算出し、前記正例予兆期間頻度分布と同一の確率分布となるように、前記負例時系列データの負例基準日を決定することを特徴とする特徴量生成装置。
18. 請求項１１に記載の特徴量生成装置であって、
    前記負例基準日決定部は、
    前記正例基準日の頻度分布を算出し、前記頻度分布と同一の確率分布で、負例時系列データのそれぞれについて負例基準日を決定することを特徴とする特徴量生成装置。
19. 請求項１５に記載の特徴量生成装置であって、
    前記特徴量重要度を受け付けて前記特徴量算出定義を更新する特徴量算出定義更新部を、さらに有し、
    前記特徴量重要度算出部は、
    前記複数の異なる統計期間毎の前記特徴量から前記特徴量重要度を算出し、
    前記特徴量算出定義更新は、
    前記複数の異なる統計期間毎の前記特徴量重要度を受け付けて、前記特徴量重要度が他の統計期間よりも大きい統計期間が存在する場合には、新たな統計期間の追加を通知することを特徴とする特徴量生成装置。
20. 請求項１７に記載の特徴量生成手法であって、
    前記負例基準日決定部は、
    前記正例時系列データのそれぞれについて目的事象の発生に関連する重要事象の発生日を重要事象発生日として取得して、前記重要事象発生日から前記正例基準日までの期間を予兆期間として算出し、前記正例時系列データのそれぞれについて正例予兆期間頻度分布を算出し、前記正例予兆期間頻度分布から予兆期間を決定する予兆期間決定部と、
    前記負例時系列データのそれぞれについて特徴量を算出し、当該特徴量から特徴量重要度を算出し、前記特徴量重要度を値の大きい順に累積を行って、累積値が所定の閾値Ｔｈ１に達するまでの負例特徴量を算出し、前記負例時系列データの時系列の過去から現在へ向けて特徴量が所定の閾値Ｔｈ４を初めて超えた日を重要事象発生日として算出し、前記正例予兆期間頻度分布から算出した予兆期間を前記重要事象発生日に加算して負例基準日を算出するする重要特徴量探索部と、
    を有することを特徴とする特徴量生成装置。

Images