ＣｏｎｃｅｐｔＤｒｉｆｔに着目した連続密度ベースクラスタリングによるストリームデータ解析手法

カテゴリ: 研究会(論文単位)

論文No: IS19054

グループ名: 【C】電子・情報・システム部門 情報システム研究会

発行日: 2019/08/30

タイトル(英語): Continuous Density Based Clustering for Stream Data Mining with Concept Drift

著者名: 宮田 康志(日立製作所),石川 博(首都大学東京)

著者名(英語): Yasushi Miyata(Hitachi, ltd.),Hiroshi Ishikawa(Tokyo Metropolitan University)

キーワード: ストリームデータ解析|クラスタリング|ＤＢＳＣＡＮ|ＣｏｎｃｅｐｔＤｒｉｆｔ|電力系統|Data Stream Mining|Clustering|DBSCAN|Concept Drift|Power Grid

要約(日本語): IoTセンサデータのストリームデータ解析により、事前解析にてモデル化した設備異常の原因へ即時に分類するには、実体とモデルの差によりデータ傾向が変化した際の分類精度の維持が課題となる。そこで、センサデータ分布変化検出によりデータが所属するクラスタを更新可能とする。電力系統設備のデータが継続的に1%変動した際も分類誤りを1%未満にできた。これにより、データ傾向変化時も即時の原因判定できる見込みを得た。

要約(英語): Stream data mining of IoT data can support operator to immediately isolate causes of equipment alarms. The challenge, however, is to keep clustering accuracy with concept drifting ascribed to differences between alarm models and entities. We propose to continuously update data class according to their distribution changes. Through evaluation, sub-percentage accuracy deterioration was verified for oscillation condition data with a drifting rate of 1%. The result suggested that the method improves operator decision making.

原稿種別: 日本語

PDFファイルサイズ: 593 Kバイト