[3E4-GS-2] 機械学習：時系列データ

[3E4-GS-2-05] Just-In-Timeモデルを利用した非定常非線形時系列データに対する因果探索

〇藤原 大悟¹、小山 和輝¹、切通 恵介¹、大川内 智海¹、泉谷 知範¹、浅原 啓輔²、 清水 昌平² (1. NTTコミュニケーションズ株式会社、2. 滋賀大学データサイエンス学系)

キーワード：統計的因果探索、時系列データ、Just-In-Timeモデル、非定常性、非線形性

時系列データ解析の実応用は社会的需要が高く、こういった実解析においては安全性、説明性の観点や、後の意思決定へと反映するために、変数の因果関係を同定することが非常に重要である。一般にデータのみから変数間の因果関係を同定する技術としては因果探索が知られており、時系列への拡張も盛んである。しかし、実解析データでは、従来の時系列解析/因果探索の手法で仮定されていた理想的な条件が崩れている場合が多い。例えば製造業プラントのセンサーデータでは、運転状態による非定常性、プラントの経年劣化による分布シフト、因果関係の非線形性などが存在する複雑なものが多く、有効な因果探索手法が少ない。本研究ではこの問題に対し、プラントデータなど非定常非線形時系列の予測/システム同定問題などで使われてきたJust-In-Timeモデルと、線形因果探索の代表的手法であるLiNGAMを組み合わせた新たな手法を提案する。本手法は、新しい入力サンプルが与えられるたびに、過去データの近傍サンプルから局所的な線形因果モデルを推定する。人工データに対して従来手法との比較実験を行い、手法の優位性と有効な近傍サンプルの選択法を示した。