JPH05204991A - 時系列データ検索方法およびこれを用いた検索システム - Google Patents
時系列データ検索方法およびこれを用いた検索システムInfo
- Publication number
- JPH05204991A JPH05204991A JP4014748A JP1474892A JPH05204991A JP H05204991 A JPH05204991 A JP H05204991A JP 4014748 A JP4014748 A JP 4014748A JP 1474892 A JP1474892 A JP 1474892A JP H05204991 A JPH05204991 A JP H05204991A
- Authority
- JP
- Japan
- Prior art keywords
- time
- series data
- pattern
- similarity
- time series
- 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.)
- Pending
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
(57)【要約】
【目的】金融証券分野における株価，為替などの時系列
データに含まれる特徴を定性的，定量的に求め，また、
これを用いて、将来動向を予測するための意思決定支援
システムを提供する。 【構成】コンピュータ２と時系列データベース３と登録
パターンデータベース４と端末装置１からなるシステム
において、複数のパターンを登録するステップと、時系
列データベースから時系列データを読み込み、既に登録
されている複数のパターンとの照合をパターン毎，一定
期間毎に行うステップと、登録されたパターン間の出現
に関する因果関係を分析するステップと、分析結果を表
示するステップとからなる。
データに含まれる特徴を定性的，定量的に求め，また、
これを用いて、将来動向を予測するための意思決定支援
システムを提供する。 【構成】コンピュータ２と時系列データベース３と登録
パターンデータベース４と端末装置１からなるシステム
において、複数のパターンを登録するステップと、時系
列データベースから時系列データを読み込み、既に登録
されている複数のパターンとの照合をパターン毎，一定
期間毎に行うステップと、登録されたパターン間の出現
に関する因果関係を分析するステップと、分析結果を表
示するステップとからなる。
Description
【０００１】
【産業上の利用分野】本発明は、金融証券分野等におい
て扱われる時系列データの分析方法、およびこれを用い
た検索システムに関する。
て扱われる時系列データの分析方法、およびこれを用い
た検索システムに関する。
【０００２】
【従来の技術】従来、時系列データを分析する方法とし
て、スペクトル解析がある。例えば、特開平2−16676号
公報は、プロセスの状態の指標となる複数項目の時系列
データを一定期間毎にフーリエ変換し、その時系列デー
タの挙動を表現するのに充分な次数のフーリエ級数を記
憶させておき、また、検索しようとする時系列データに
ついても一定期間毎にフーリエ変換し、このフーリエ変
換によって得られたフーリエ係数と、既に記憶させてい
たフーリエ級数のフーリエ係数との相関係数を各項目に
ついて演算し、すべての項目について相関係数が大であ
る部分をプロセスの類似状態として検索することを特徴
とする時系列データの分析方法である。
て、スペクトル解析がある。例えば、特開平2−16676号
公報は、プロセスの状態の指標となる複数項目の時系列
データを一定期間毎にフーリエ変換し、その時系列デー
タの挙動を表現するのに充分な次数のフーリエ級数を記
憶させておき、また、検索しようとする時系列データに
ついても一定期間毎にフーリエ変換し、このフーリエ変
換によって得られたフーリエ係数と、既に記憶させてい
たフーリエ級数のフーリエ係数との相関係数を各項目に
ついて演算し、すべての項目について相関係数が大であ
る部分をプロセスの類似状態として検索することを特徴
とする時系列データの分析方法である。
【０００３】
【発明が解決しようとする課題】金融証券分野で扱われ
る時系列データ、例えば、株価や出来高を一定期間毎に
フーリエ変換し、フーリエ級数を求めたとき、ほとんど
の周波数成分を含んだホワイトノイズ的な様相を呈し、
証券の価格の上昇下降等の時系列データの傾向がつかめ
ない場合が多い。また、フーリエ変換するデータを時系
列データから一定期間毎に切り出す際、その切り出した
両端の不連続部分の影響が大きく（特に切り出し期間が
短い場合、高周波成分を多く含む）も考慮しなければな
らない。
る時系列データ、例えば、株価や出来高を一定期間毎に
フーリエ変換し、フーリエ級数を求めたとき、ほとんど
の周波数成分を含んだホワイトノイズ的な様相を呈し、
証券の価格の上昇下降等の時系列データの傾向がつかめ
ない場合が多い。また、フーリエ変換するデータを時系
列データから一定期間毎に切り出す際、その切り出した
両端の不連続部分の影響が大きく（特に切り出し期間が
短い場合、高周波成分を多く含む）も考慮しなければな
らない。
【０００４】一方、前述の金融証券分野で扱われる時系
列データの分析では、周波数特性の時間的推移より、も
っとマクロ的なパターン特性の時間的推移の方が参考に
なるケースが多い。つまり、時系列データを様々な周波
数の正弦波の重ね合わせとしてみるのではなく、幾つか
の特徴的なパターンの組合せ、重ね合わせとしてみた方
が有効である。また、同じパターンでも時系列データの
種類、あるいは時間によって、緩やかに出現するのか、
速やかに出現するのか、大きなスケールで出現するの
か、小さなスケールで出現するのかの違いがある。この
ため証券価格の分析等で用いる金融時系列データの分析
には、通常のフーリエ変換等の時系列データの分析方法
を用いたのでは、時間スケールが違ったり、上昇下降の
大きさが違うために同じパターンに属する過去の時系列
データでも検索できないという問題があった。
列データの分析では、周波数特性の時間的推移より、も
っとマクロ的なパターン特性の時間的推移の方が参考に
なるケースが多い。つまり、時系列データを様々な周波
数の正弦波の重ね合わせとしてみるのではなく、幾つか
の特徴的なパターンの組合せ、重ね合わせとしてみた方
が有効である。また、同じパターンでも時系列データの
種類、あるいは時間によって、緩やかに出現するのか、
速やかに出現するのか、大きなスケールで出現するの
か、小さなスケールで出現するのかの違いがある。この
ため証券価格の分析等で用いる金融時系列データの分析
には、通常のフーリエ変換等の時系列データの分析方法
を用いたのでは、時間スケールが違ったり、上昇下降の
大きさが違うために同じパターンに属する過去の時系列
データでも検索できないという問題があった。
【０００５】本発明では、このように時系列データが雑
音成分を含み、しかも、時間スケールや上昇下降の大き
さの程度が違う場合にも、同じとすべきパターンを判定
できる金融時系列データの検索方法およびシステムを提
供する。
音成分を含み、しかも、時間スケールや上昇下降の大き
さの程度が違う場合にも、同じとすべきパターンを判定
できる金融時系列データの検索方法およびシステムを提
供する。
【０００６】
【課題を解決するための手段】上記目的を達成するため
に、本発明では、検索に使用する時系列データの特徴的
なパターンとして、証券の価格分析の手法であるチャー
ト分析のように、時系列データの特徴を示すパターンを
使用する。
に、本発明では、検索に使用する時系列データの特徴的
なパターンとして、証券の価格分析の手法であるチャー
ト分析のように、時系列データの特徴を示すパターンを
使用する。
【０００７】例えば、図２に示すグランビル（参考文献
「株式チャート入門」岡三経済研究所著 ダイヤモンド
社Ｐ．３７）のチャート分析における８つのパターンを
時系列データの特徴量として用い、それぞれのパターン
の類似度を求め、それを総合してグランビルのパターン
の総合の類似度を求めるようにする。
「株式チャート入門」岡三経済研究所著 ダイヤモンド
社Ｐ．３７）のチャート分析における８つのパターンを
時系列データの特徴量として用い、それぞれのパターン
の類似度を求め、それを総合してグランビルのパターン
の総合の類似度を求めるようにする。
【０００８】同じように、図３に示すようなｘ円上昇す
れば×、ｘ円下降すれば〇として得られるポイント＆フ
ィギュアと呼ばれるチャートに対しても同様にいくつか
のパターンを定義し、これに対する類似度を求める。こ
れらの類似度を総合して、比較する該当の時系列データ
の類似度を判定する。
れば×、ｘ円下降すれば〇として得られるポイント＆フ
ィギュアと呼ばれるチャートに対しても同様にいくつか
のパターンを定義し、これに対する類似度を求める。こ
れらの類似度を総合して、比較する該当の時系列データ
の類似度を判定する。
【０００９】図４に時系列データの類似度の定義表を示
す。本発明は、パターン分析手法Ａjに対して、その中
で使用する特徴パターンＸj1，Ｘj2，……，Ｘjnjに対
して、類似度Ｙj1，Ｙj2，……，Ｙjnjを計算する。パ
ターンＸjiに対する類似度Ｙjiの求め方は、パターン分
析手法に依存する。
す。本発明は、パターン分析手法Ａjに対して、その中
で使用する特徴パターンＸj1，Ｘj2，……，Ｘjnjに対
して、類似度Ｙj1，Ｙj2，……，Ｙjnjを計算する。パ
ターンＸjiに対する類似度Ｙjiの求め方は、パターン分
析手法に依存する。
【００１０】Ｙj1，Ｙj2，……，Ｙjnj をもとにパター
ン分析手法Ａjに対する類似度Ｚjを求める。さらに、Ｚ
1，Ｚ2，……，ＺN の類似度を総合して時系列データの
類似度を決定する。
ン分析手法Ａjに対する類似度Ｚjを求める。さらに、Ｚ
1，Ｚ2，……，ＺN の類似度を総合して時系列データの
類似度を決定する。
【００１１】このような処理を実現するために、本発明
では、処理装置と時系列データベースと登録パターンデ
ータベースと端末装置からなるシステムにおいて、複数
のパターンを登録するステップと、時系列データベース
から時系列データを読み込み、既に登録されている複数
のパターンとの照合をパターン毎，一定期間毎に行うス
テップと、登録されたパターン間の出現に関する因果関
係を分析するステップと、分析結果を表示するステップ
とから構成される。
では、処理装置と時系列データベースと登録パターンデ
ータベースと端末装置からなるシステムにおいて、複数
のパターンを登録するステップと、時系列データベース
から時系列データを読み込み、既に登録されている複数
のパターンとの照合をパターン毎，一定期間毎に行うス
テップと、登録されたパターン間の出現に関する因果関
係を分析するステップと、分析結果を表示するステップ
とから構成される。
【００１２】
【作用】上記の手段がどのように作用するかを図１を用
いて以下に説明する。ユーザは予め、端末装置１から複
数のパターン(Ａ1，…，ＡN，Ｘ11，…，Ｘ1n1，…，Ｘ
N1，…，ＸNnN)を登録パターンデータベース４に登録す
る。そして、時系列データベース３より分析の対象とな
る時系列データをコンピュータ２に読み込み、ユーザ
が、分析の対象とする時系列データの区間を指定する。
これに基づいて、既に登録された複数のパターンとの照
合をパターン毎，一定期間毎に行う（ステップ１１
０）。続いて、登録されたパターン間の出現に関する因
果関係を分析する（ステップ１２０）。最後に、分析結
果として、（１）登録パターン成分をｘ軸、時間をｙ
軸、パターン適合度をｚ軸とする３次元グラフ、（２）
ある時間において、登録パターン成分をｘ軸、パターン
適合度をｙ軸とする２次元グラフ、（３）ある登録パタ
ーン成分において、時間をｘ軸、パターン適合度をｙ軸
とする２次元グラフ、（４）ある登録パターン成分にお
いて、時間をｘ軸、そのパターンがどのくらいの速さ
で、どのくらいのスケールで出現したかを表す指標をｙ
軸とする２次元グラフ、（５）時系列データにおいて、
複数の登録パターンの出現についての因果関係を示すグ
ラフ、を表示する（ステップ１３０）。
いて以下に説明する。ユーザは予め、端末装置１から複
数のパターン(Ａ1，…，ＡN，Ｘ11，…，Ｘ1n1，…，Ｘ
N1，…，ＸNnN)を登録パターンデータベース４に登録す
る。そして、時系列データベース３より分析の対象とな
る時系列データをコンピュータ２に読み込み、ユーザ
が、分析の対象とする時系列データの区間を指定する。
これに基づいて、既に登録された複数のパターンとの照
合をパターン毎，一定期間毎に行う（ステップ１１
０）。続いて、登録されたパターン間の出現に関する因
果関係を分析する（ステップ１２０）。最後に、分析結
果として、（１）登録パターン成分をｘ軸、時間をｙ
軸、パターン適合度をｚ軸とする３次元グラフ、（２）
ある時間において、登録パターン成分をｘ軸、パターン
適合度をｙ軸とする２次元グラフ、（３）ある登録パタ
ーン成分において、時間をｘ軸、パターン適合度をｙ軸
とする２次元グラフ、（４）ある登録パターン成分にお
いて、時間をｘ軸、そのパターンがどのくらいの速さ
で、どのくらいのスケールで出現したかを表す指標をｙ
軸とする２次元グラフ、（５）時系列データにおいて、
複数の登録パターンの出現についての因果関係を示すグ
ラフ、を表示する（ステップ１３０）。
【００１３】
【実施例】以下、発明の実施例を図を用いて詳細に説明
する。
する。
【００１４】本発明の基本システム構成を図５に示す。
端末装置１は、時系列データ分析者であるオペレータと
の対話を行うインタフェースである。処理装置２は、特
徴パターンの照合および因果関係の分析を行う。時系列
データベース３は、分析対象の時系列データを含むデー
タベースである。時系列データベース３の構成を図６に
示す。株価の分析の例では、ｔ1，ｔ2，ｔ3，……は、
日付を表し、ａ0，……，ａn，……，ｂ0，……，ｂn，
……は、その日の終値を表す。
端末装置１は、時系列データ分析者であるオペレータと
の対話を行うインタフェースである。処理装置２は、特
徴パターンの照合および因果関係の分析を行う。時系列
データベース３は、分析対象の時系列データを含むデー
タベースである。時系列データベース３の構成を図６に
示す。株価の分析の例では、ｔ1，ｔ2，ｔ3，……は、
日付を表し、ａ0，……，ａn，……，ｂ0，……，ｂn，
……は、その日の終値を表す。
【００１５】登録パターンデータベース４は、図４の特
徴パターン｛Ｘji｝を定義するデータ｛Ｄji｝とそれを
もとに類似度｛Ｙji｝を計算するアルゴリズム｛Ｋji｝
から構成される。特徴パターン｛Ｘji｝は、数値データ
で定義されることもあるし、グランビルのチャート分析
のようにルールで定義されることもある。
徴パターン｛Ｘji｝を定義するデータ｛Ｄji｝とそれを
もとに類似度｛Ｙji｝を計算するアルゴリズム｛Ｋji｝
から構成される。特徴パターン｛Ｘji｝は、数値データ
で定義されることもあるし、グランビルのチャート分析
のようにルールで定義されることもある。
【００１６】図６，図７のように設定されたデータベー
スをもとに、ユーザが指定した区間の時系列データと同
じパターンと判定される時系列データの該当ポイントを
図１の処理フローに従って求める。
スをもとに、ユーザが指定した区間の時系列データと同
じパターンと判定される時系列データの該当ポイントを
図１の処理フローに従って求める。
【００１７】まず、ユーザは検索の対象とする時系列デ
ータパターンを端末装置１を用いて指定する（ステップ
１００）。
ータパターンを端末装置１を用いて指定する（ステップ
１００）。
【００１８】図８にステップ１００の詳細な処理のフロ
ーチャートを示す。図８では、まず図９に示す初期画面
を表示する（ステップ８０１）。オペレータは表示され
た画面のａ部の時系列データ種別と表示開始日を入力す
る。入力された時系列データ種別と表示開始日を読み取
り（ステップ８０２）、時系列データベース３から該当
の時系列データを読み込み（ステップ８０３）、図１０
のように時系列データ表示部ｃにグラフを表示する（ス
テップ８０４）。
ーチャートを示す。図８では、まず図９に示す初期画面
を表示する（ステップ８０１）。オペレータは表示され
た画面のａ部の時系列データ種別と表示開始日を入力す
る。入力された時系列データ種別と表示開始日を読み取
り（ステップ８０２）、時系列データベース３から該当
の時系列データを読み込み（ステップ８０３）、図１０
のように時系列データ表示部ｃにグラフを表示する（ス
テップ８０４）。
【００１９】オペレータは表示されたグラフ上でマウス
により検索対象とする時系列データ区間を設定する。グ
ラフの表示区間が限られているので、ｂ部の←と→によ
り、グラフを右へシフトしたり、左へシフトしたりして
おく。マウス位置が→もしくは←の位置で指定されたと
すると、グラフを右あるいは左にシフトするマウスがグ
ラフ上で指定されたとすると第１回目の指定では、Ａに
指定される該当の日を入れ、第２回目の指定で、Ｂに指
定された該当の日を入れる。Ａ，Ｂにより、その間の時
系列データ区間を検索対象の時系列データとして登録す
る。
により検索対象とする時系列データ区間を設定する。グ
ラフの表示区間が限られているので、ｂ部の←と→によ
り、グラフを右へシフトしたり、左へシフトしたりして
おく。マウス位置が→もしくは←の位置で指定されたと
すると、グラフを右あるいは左にシフトするマウスがグ
ラフ上で指定されたとすると第１回目の指定では、Ａに
指定される該当の日を入れ、第２回目の指定で、Ｂに指
定された該当の日を入れる。Ａ，Ｂにより、その間の時
系列データ区間を検索対象の時系列データとして登録す
る。
【００２０】つぎに、時系列データベース３より読み出
した時系列データとステップ１で指定された検索する期
間（以下、分析期間と呼ぶ）の時系列データから、図７
に登録した複数のパターンとの照合を行う（ステップ１
１０）。このとき図１１に示すように、図８で指定した
検索対象の時系列パターンＴの開始点（以下、照合開始
点と呼ぶ）を分析期間の最初から最後まで＋Δｔずつず
らして照合する。なお、Δｔは時系列データにおけるサ
ンプリング時間である。図１１のような考え方に従い、
図７の登録されたパターンデータベースに従い、図４の
時系列データの類似度の定義表の｛Ｙji｝とＺをそれぞ
れの時刻ｔi について求め、図１２の表を完成する。図
１２は時刻ｔiにおけるパターンＡjの類似度αijの表で
あり、αijは類似度の最も高いものを１.０，最も低い
ものを０.０のように規格化された値をとるようにして
おく。図１２を求めるフローチャートを図１３に示す。
した時系列データとステップ１で指定された検索する期
間（以下、分析期間と呼ぶ）の時系列データから、図７
に登録した複数のパターンとの照合を行う（ステップ１
１０）。このとき図１１に示すように、図８で指定した
検索対象の時系列パターンＴの開始点（以下、照合開始
点と呼ぶ）を分析期間の最初から最後まで＋Δｔずつず
らして照合する。なお、Δｔは時系列データにおけるサ
ンプリング時間である。図１１のような考え方に従い、
図７の登録されたパターンデータベースに従い、図４の
時系列データの類似度の定義表の｛Ｙji｝とＺをそれぞ
れの時刻ｔi について求め、図１２の表を完成する。図
１２は時刻ｔiにおけるパターンＡjの類似度αijの表で
あり、αijは類似度の最も高いものを１.０，最も低い
ものを０.０のように規格化された値をとるようにして
おく。図１２を求めるフローチャートを図１３に示す。
【００２１】このうち、Ｘjkの類似度Ｙjkの求め方は図
７の登録パターンデータベースのＸjkのアルゴリズムと
指定されたデータを用いて行う。｛Ｘjk｝の照合アルゴ
リズムの一つの例を以下に示す。
７の登録パターンデータベースのＸjkのアルゴリズムと
指定されたデータを用いて行う。｛Ｘjk｝の照合アルゴ
リズムの一つの例を以下に示す。
【００２２】この例では、図１４に示すように、図８の
フローチャートで指定した時系列パターンに対して形状
は類似するが時間軸のスケール，時間軸に直交する軸
（以下、時系列データの例として株価をあげ、時間軸に
直交する軸を価格軸とし、説明する）のスケールが異な
る様々なパターンを定性的には同じパターンであるとみ
なす。従って、指定した時系列パターンを時間軸方向，
価格軸方向に伸縮させて時系列データと照合する。
フローチャートで指定した時系列パターンに対して形状
は類似するが時間軸のスケール，時間軸に直交する軸
（以下、時系列データの例として株価をあげ、時間軸に
直交する軸を価格軸とし、説明する）のスケールが異な
る様々なパターンを定性的には同じパターンであるとみ
なす。従って、指定した時系列パターンを時間軸方向，
価格軸方向に伸縮させて時系列データと照合する。
【００２３】図１５を参考にして、照合の具体的手順を
以下に示す。
以下に示す。
【００２４】（ａ）登録パターンの時間軸方向の伸縮率
Ｔ0，Ｔ1，Ｔ2 、価格軸方向の伸縮率Ｒ1，Ｒ2，Ｒ3を
定める。
Ｔ0，Ｔ1，Ｔ2 、価格軸方向の伸縮率Ｒ1，Ｒ2，Ｒ3を
定める。
【００２５】（ｂ）照合開始点から、登録パターンの時
間幅に、時間軸方向の伸縮率を乗じた時間幅における期
間を照合期間Ｔ1，Ｔ2，Ｔ3 とし、照合期間における時
系列データの平均値を求める。そして、照合期間におけ
る時系列データと平均値との偏差の時系列データを求め
る。
間幅に、時間軸方向の伸縮率を乗じた時間幅における期
間を照合期間Ｔ1，Ｔ2，Ｔ3 とし、照合期間における時
系列データの平均値を求める。そして、照合期間におけ
る時系列データと平均値との偏差の時系列データを求め
る。
【００２６】（ｃ）時間軸方向，価格軸方向の伸縮率を
乗じた登録パターンと、偏差の時系列データとの分散値
を求める。このとき、同じ時間に相対応するデータがな
い場合は、登録パターンのデータを線形補間などで補間
する。
乗じた登録パターンと、偏差の時系列データとの分散値
を求める。このとき、同じ時間に相対応するデータがな
い場合は、登録パターンのデータを線形補間などで補間
する。
【００２７】（ｄ）時間軸方向，価格軸方向の伸縮率を
様々に変え、（ａ）〜（ｃ）を繰り返す。このとき、分
散値の最小値とそのときの時間軸方向，価格軸方向の伸
縮率を記憶しておく。さらに、その分散値の最小値から
図１６に示すような関数を用いて、その登録パターン
の、その照合開始点におけるパターン適合度を求め、記
憶する。
様々に変え、（ａ）〜（ｃ）を繰り返す。このとき、分
散値の最小値とそのときの時間軸方向，価格軸方向の伸
縮率を記憶しておく。さらに、その分散値の最小値から
図１６に示すような関数を用いて、その登録パターン
の、その照合開始点におけるパターン適合度を求め、記
憶する。
【００２８】以上の手順によって作られたパターン分析
手法Ａjの比較時系列ポイントｔiにおけるデータテーブ
ルが図１７である。
手法Ａjの比較時系列ポイントｔiにおけるデータテーブ
ルが図１７である。
【００２９】図１７では、価格方向の伸縮率がＲ1，
Ｒ2，Ｒ3、時間方向の伸縮率がＴ1，Ｔ2，Ｔ3だから、
Ｘj1：（Ｒ1，Ｔ1），Ｘj2：（Ｒ1，Ｔ2），Ｘj3：
(Ｒ1，Ｔ3)，…，Ｘj4：（Ｒ2，Ｔ1），……，Ｘj9：
（Ｒ3，Ｔ3）のようにそれぞれの伸縮率を組み合わせて
９個の特徴パターン｛Ｘji｝のチェックを行った結果を
格納している。
Ｒ2，Ｒ3、時間方向の伸縮率がＴ1，Ｔ2，Ｔ3だから、
Ｘj1：（Ｒ1，Ｔ1），Ｘj2：（Ｒ1，Ｔ2），Ｘj3：
(Ｒ1，Ｔ3)，…，Ｘj4：（Ｒ2，Ｔ1），……，Ｘj9：
（Ｒ3，Ｔ3）のようにそれぞれの伸縮率を組み合わせて
９個の特徴パターン｛Ｘji｝のチェックを行った結果を
格納している。
【００３０】このようにして、パターン分析手法Ａj の
個別の特徴パターン｛Ｘji｝に対する類似度｛Ｙji｝が
求まるが、これからパターン分析手法Ａjの類似度αjを
求める必要がある。これには、 （１）線形結合としてαjを求める方法
個別の特徴パターン｛Ｘji｝に対する類似度｛Ｙji｝が
求まるが、これからパターン分析手法Ａjの類似度αjを
求める必要がある。これには、 （１）線形結合としてαjを求める方法
【００３１】
【数１】
【００３２】（２）最大値をとる方法
【００３３】
【数２】
【００３４】（３）最小値をとる方法
【００３５】
【数３】
【００３６】（４）関数Ｆjで与える方法
【００３７】
【数４】
【００３８】などを使うことができる。本実施例では、
（２）の最大値をとる方法により、αj を決定する。す
なわち、どれか一つでも特徴パターン｛Ｘji｝が合致す
れば、その値をパターン分析手法の類似度αj とする。
このようにしてΔｔごとに照合対象の時系列データをシ
フトし、時間ごとに各Ａjの類似度αjを求め、図１２の
テーブルを完成することができる。
（２）の最大値をとる方法により、αj を決定する。す
なわち、どれか一つでも特徴パターン｛Ｘji｝が合致す
れば、その値をパターン分析手法の類似度αj とする。
このようにしてΔｔごとに照合対象の時系列データをシ
フトし、時間ごとに各Ａjの類似度αjを求め、図１２の
テーブルを完成することができる。
【００３９】次に、類似パターンの表示（図１のステッ
プ１２０）について説明する。図１のステップ１１０の
処理により、図１２が出来上がると、ｔi における総合
的な類似度Ｚｔi を、
プ１２０）について説明する。図１のステップ１１０の
処理により、図１２が出来上がると、ｔi における総合
的な類似度Ｚｔi を、
【００４０】
【数５】
【００４１】のように各パターン分析手法の類似度の線
形結合で与えるβj は、図１８に示すようなテーブルで
与えておく。これは、オペレータがマンマシン応答によ
り変更できるものとする。さらに、このようにして計算
された総合的な類似度が図１８のテーブルのしきい値よ
り大きい場合、類似パターンとして図１９のように図の
グラフ上に類似度の高いものから順に出力する。さらに
類似度の高いものから順に表に並べて出力する。図１９
のように出力するためのステップ１２０の処理フローを
図２０に示す。図２０で画面に類似点を表示後、マウス
によりグラフを左右に動かしたり類似度の詳細な分析へ
進むことができる。
形結合で与えるβj は、図１８に示すようなテーブルで
与えておく。これは、オペレータがマンマシン応答によ
り変更できるものとする。さらに、このようにして計算
された総合的な類似度が図１８のテーブルのしきい値よ
り大きい場合、類似パターンとして図１９のように図の
グラフ上に類似度の高いものから順に出力する。さらに
類似度の高いものから順に表に並べて出力する。図１９
のように出力するためのステップ１２０の処理フローを
図２０に示す。図２０で画面に類似点を表示後、マウス
によりグラフを左右に動かしたり類似度の詳細な分析へ
進むことができる。
【００４２】ステップ１２０で、類似度の分析処理を行
うことが指定されると図１でステップ１３０の処理を行
う。時系列データにおける各パターン分析方法Ａj のパ
ターン類似度に関する因果関係を分析するため、データ
テーブル図１２の内容を、時間Δｔ毎の時系列データの
各パターン分析における類似度を図２１に示すように、
パターン分析の種類Ａj をｘ軸，時間をｙ軸，パターン
類似度をｚ軸とする３次元グラフで表示する。
うことが指定されると図１でステップ１３０の処理を行
う。時系列データにおける各パターン分析方法Ａj のパ
ターン類似度に関する因果関係を分析するため、データ
テーブル図１２の内容を、時間Δｔ毎の時系列データの
各パターン分析における類似度を図２１に示すように、
パターン分析の種類Ａj をｘ軸，時間をｙ軸，パターン
類似度をｚ軸とする３次元グラフで表示する。
【００４３】さらに、分析結果として、図２２の出力画
面のように付帯情報として、 （１）ある時間において、パターン分析の種類Ａj をｘ
軸，パターン類似度をｙ軸とする２次元グラフ（図２
３） （２）あるパターン分析の種類Ａj において、時間をｘ
軸，パターン類似度をｙ軸とする２次元グラフ（図２
４） （３）ある時系列データにおいて、時間をｘ軸、および
価格をｙ軸とし、それぞれに伸縮率をかけた２次元グラ
フ（図２５） （４）時系列データにおいて、時間をｘ軸、パターン類
似度をｙ軸とする２次元グラフ（図２６） を表示する。
面のように付帯情報として、 （１）ある時間において、パターン分析の種類Ａj をｘ
軸，パターン類似度をｙ軸とする２次元グラフ（図２
３） （２）あるパターン分析の種類Ａj において、時間をｘ
軸，パターン類似度をｙ軸とする２次元グラフ（図２
４） （３）ある時系列データにおいて、時間をｘ軸、および
価格をｙ軸とし、それぞれに伸縮率をかけた２次元グラ
フ（図２５） （４）時系列データにおいて、時間をｘ軸、パターン類
似度をｙ軸とする２次元グラフ（図２６） を表示する。
【００４４】
【発明の効果】本発明によれば指定した時系列パターン
と類似な過去の時系列データにおける点がみつかるとと
もに、以下のことが可能となる。
と類似な過去の時系列データにおける点がみつかるとと
もに、以下のことが可能となる。
【００４５】（ｉ）時系列データにおいて、各時間にど
のようなパターンがどのくらい含まれているかが、定性
的，定量的にわかる。
のようなパターンがどのくらい含まれているかが、定性
的，定量的にわかる。
【００４６】（ii）時系列データにおいて、それを構成
する各パターン成分(パターンの種類)がどのように時間
的に推移しているかが定量的にわかる。
する各パターン成分(パターンの種類)がどのように時間
的に推移しているかが定量的にわかる。
【００４７】（iii)時系列データにおいて、それに含ま
れるパターンがどのくらいのスケールで、どのくらいの
速さで出現するかが定量的にわかる。
れるパターンがどのくらいのスケールで、どのくらいの
速さで出現するかが定量的にわかる。
【００４８】（iv）（ｉ）〜(iii）により、時系列デー
タに含まれる複数のパターン間の因果関係がわかり、時
系列データの将来動向を予測する際の参考となる。
タに含まれる複数のパターン間の因果関係がわかり、時
系列データの将来動向を予測する際の参考となる。
【図１】本発明の基本処理ステップのフローチャート。
【図２】グランビルの法則の８パターンの説明図。
【図３】登録パターンの例の説明図。
【図４】時系列データの類似度の定義表の説明図。
【図５】本発明の基本システムのブロック図。
【図６】時系列データベースのデータテーブルの説明
図。
図。
【図７】登録パターンデータベースの説明図。
【図８】分析パターン指定のフローチャート。
【図９】分析パターン指定の初期画面の説明図。
【図１０】分析パターン指定の画面の説明図。
【図１１】分析期間と照合期間の関係の説明図。
【図１２】特徴パターンの類似度のデータテーブルの説
明図。
明図。
【図１３】特徴パターンの類似度を求めるフローチャー
ト。
ト。
【図１４】検索対象の時系列データパターンの説明図。
【図１５】照合開始点と照合期間の説明図。
【図１６】分散値とパターン類似度の関係を表す関数の
特性図。
特性図。
【図１７】照合結果のテーブル構成の説明図。
【図１８】類似度の選考パラメータの説明図。
【図１９】類似度の出力画面例の説明図。
【図２０】類似パターンの表示のフローチャート。
【図２１】登録パターン成分をｘ軸，時間をｙ軸，パタ
ーン適合度をｚ軸とする３次元グラフ。
ーン適合度をｚ軸とする３次元グラフ。
【図２２】出力画面例の説明図。
【図２３】ある時間において、登録パターン成分をｘ
軸，パターン適合度をｙ軸とする２次元グラフ。
軸，パターン適合度をｙ軸とする２次元グラフ。
【図２４】ある登録パターン成分において、時間をｘ
軸，パターン適合度をｙ軸とする２次元グラフ。
軸，パターン適合度をｙ軸とする２次元グラフ。
【図２５】ある登録パターン成分において、時間をｘ
軸，時間軸方向伸縮率、および価格軸方向伸縮率をｙ軸
とする２次元グラフ。
軸，時間軸方向伸縮率、および価格軸方向伸縮率をｙ軸
とする２次元グラフ。
【図２６】時系列データにおいて、時間をｘ軸，パター
ン出現フラグをｙ軸とする２次元グラフ。
ン出現フラグをｙ軸とする２次元グラフ。
１…端末装置、２…処理装置、３…時系列データベー
ス、４…登録パターンデータベース。
ス、４…登録パターンデータベース。
Claims (4)
- 【請求項１】与えられた時系列データに対してそれと同
様なパターンをもつ前記時系列データを大量の前記時系
列データの中から検索する方法において、前記時系列デ
ータの特徴を示すパターンや類似度の指標を複数与え、
それらの指標の値から決まる総合的な類似度の大きさに
従って前記時系列データを検索するようにしたことを特
徴とする時系列データ検索方法。 - 【請求項２】請求項１において、前記時系列データの特
徴を示す指標をデータによるパターンの指定、ルールに
よるパターンの記述のどちらでもできるようにした時系
列データ検索方法。 - 【請求項３】請求項１または２において、検索された前
記時系列データの該当ポイントを前記時系列データに類
似度の高い順に番号により示した時系列データ検索シス
テム。 - 【請求項４】請求項１または２において、検索された前
記時系列データの類似度に対して、各指標と時間を二次
元の軸にとり、それに対する類似度の値を三次元座標上
に出力することで、時系列データの類似度の内容をわか
るようにした時系列データ検索システム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4014748A JPH05204991A (ja) | 1992-01-30 | 1992-01-30 | 時系列データ検索方法およびこれを用いた検索システム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4014748A JPH05204991A (ja) | 1992-01-30 | 1992-01-30 | 時系列データ検索方法およびこれを用いた検索システム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH05204991A true JPH05204991A (ja) | 1993-08-13 |
Family
ID=11869738
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP4014748A Pending JPH05204991A (ja) | 1992-01-30 | 1992-01-30 | 時系列データ検索方法およびこれを用いた検索システム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH05204991A (ja) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08339322A (ja) * | 1995-05-09 | 1996-12-24 | Internatl Business Mach Corp <Ibm> | データベース内の類似時間シーケンスを発見するシステム及び方法 |
| JP2006338265A (ja) * | 2005-06-01 | 2006-12-14 | Fujitsu Ltd | データ解析方法およびデータ解析プログラム |
| WO2007088700A1 (ja) * | 2006-02-01 | 2007-08-09 | Kenichi Sasaki | 経済データ処理システム |
| JP2007213504A (ja) * | 2006-02-13 | 2007-08-23 | Quick Corp | オプションストラテジー管理支援システム、オプションストラテジー管理支援方法及びオプションストラテジー管理支援プログラム |
| JP2009187261A (ja) * | 2008-02-06 | 2009-08-20 | Mitsubishi Electric Corp | 移動情報類似度判定装置 |
| JP2011154586A (ja) * | 2010-01-28 | 2011-08-11 | Rakuten Inc | 投稿文章分析装置、投稿文章分析方法、および、投稿文章分析装置用プログラム |
| US8352345B2 (en) | 2006-03-24 | 2013-01-08 | Konami Digital Entertainment Co., Ltd. | Stock name search device, stock name search method, and information storage medium |
| WO2013124948A1 (ja) * | 2012-02-20 | 2013-08-29 | 株式会社アイ・エヌ情報センター | 経済事象情報表示装置、プログラム |
| JP2014041453A (ja) * | 2012-08-22 | 2014-03-06 | Yokogawa Electric Corp | データ類似度算出方法およびデータ類似度算出装置 |
| WO2017168967A1 (ja) * | 2016-03-28 | 2017-10-05 | 三菱電機株式会社 | データ分析手法候補決定装置 |
| CN112368683A (zh) * | 2018-07-03 | 2021-02-12 | 三菱电机株式会社 | 数据处理装置以及数据处理方法 |
| JP2023095116A (ja) * | 2021-12-24 | 2023-07-06 | 株式会社三菱Ｕｆｊ銀行 | 相場分析装置及び相場分析方法 |
-
1992
- 1992-01-30 JP JP4014748A patent/JPH05204991A/ja active Pending
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08339322A (ja) * | 1995-05-09 | 1996-12-24 | Internatl Business Mach Corp <Ibm> | データベース内の類似時間シーケンスを発見するシステム及び方法 |
| JP2006338265A (ja) * | 2005-06-01 | 2006-12-14 | Fujitsu Ltd | データ解析方法およびデータ解析プログラム |
| WO2007088700A1 (ja) * | 2006-02-01 | 2007-08-09 | Kenichi Sasaki | 経済データ処理システム |
| JP2007213504A (ja) * | 2006-02-13 | 2007-08-23 | Quick Corp | オプションストラテジー管理支援システム、オプションストラテジー管理支援方法及びオプションストラテジー管理支援プログラム |
| US8352345B2 (en) | 2006-03-24 | 2013-01-08 | Konami Digital Entertainment Co., Ltd. | Stock name search device, stock name search method, and information storage medium |
| JP2009187261A (ja) * | 2008-02-06 | 2009-08-20 | Mitsubishi Electric Corp | 移動情報類似度判定装置 |
| JP2011154586A (ja) * | 2010-01-28 | 2011-08-11 | Rakuten Inc | 投稿文章分析装置、投稿文章分析方法、および、投稿文章分析装置用プログラム |
| WO2013124948A1 (ja) * | 2012-02-20 | 2013-08-29 | 株式会社アイ・エヌ情報センター | 経済事象情報表示装置、プログラム |
| JP2014041453A (ja) * | 2012-08-22 | 2014-03-06 | Yokogawa Electric Corp | データ類似度算出方法およびデータ類似度算出装置 |
| US9189198B2 (en) | 2012-08-22 | 2015-11-17 | Yokogawa Electric Corporation | Data similarity calculation method and data similarity calculation apparatus |
| WO2017168967A1 (ja) * | 2016-03-28 | 2017-10-05 | 三菱電機株式会社 | データ分析手法候補決定装置 |
| JPWO2017168967A1 (ja) * | 2016-03-28 | 2018-07-19 | 三菱電機株式会社 | データ分析手法候補決定装置 |
| CN112368683A (zh) * | 2018-07-03 | 2021-02-12 | 三菱电机株式会社 | 数据处理装置以及数据处理方法 |
| CN112368683B (zh) * | 2018-07-03 | 2024-03-26 | 三菱电机株式会社 | 数据处理装置以及数据处理方法 |
| JP2023095116A (ja) * | 2021-12-24 | 2023-07-06 | 株式会社三菱Ｕｆｊ銀行 | 相場分析装置及び相場分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5764975A (en) | Data mining method and apparatus using rate of common records as a measure of similarity | |
| US6269325B1 (en) | Visual presentation technique for data mining software | |
| US20020124002A1 (en) | Analysis of massive data accumulations using patient rule induction method and on-line analytical processing | |
| US20030212590A1 (en) | Process for forecasting product demand | |
| JPH05204991A (ja) | 時系列データ検索方法およびこれを用いた検索システム | |
| Sun | Determining human resource management key indicators and their impact on organizational performance using deep reinforcement learning | |
| JPH05101107A (ja) | 適合率を用いた絞り込みデータ検索装置及び方法 | |
| US7216128B2 (en) | Data merging program, data merging method, and scoring system using data merging program | |
| Trueblood et al. | Data mining and statistical analysis using SQL | |
| Tanjung et al. | Implementation of C5. 0 Algorithm for Prediction of Student Learning Graduation in Computer System Architecture Subjects | |
| JPH09282307A (ja) | 商品の販売動向分析方法及びそのシステム | |
| JP2003122572A (ja) | データ分析装置及び記録媒体 | |
| KR100952634B1 (ko) | 정보분석 시스템 및 그 정보분석 방법 | |
| JP3489957B2 (ja) | オブジェクトの類似度算出方法および類似オブジェクト検索装置 | |
| US20040086203A1 (en) | Database registration system and database registration method | |
| JPH07262172A (ja) | データ分析装置 | |
| Chakrabarti et al. | Towards a Rule-based Visualization Recommendation System. | |
| CN116226297B (zh) | 数据模型的可视化搜索方法、系统、设备及存储介质 | |
| JP3058388B2 (ja) | 情報提示装置 | |
| JPH10232874A (ja) | 情報処理ノウハウ共有方法 | |
| Karnila et al. | Market Basket Analysis On Transaction Data Using The Apriori Algorithm | |
| EP1182578A1 (en) | System, method and computer program for patent and technology related information management and processing | |
| da Silva | Shipping Volume Forecasting in an International Lifestyle Company: Comparing Time Series Forecasting Techniques | |
| Mozhaeva | The Technique of Processing Non-Gaussian Data Based on Artificial Intelligence | |
| Nurjaman et al. | Inventory Replacement Decision Support System Using Clustering and Analytical Hierarchy Process (AHP) Methods |