IoTセンサーデータのお手軽な予兆分析（時系列データの自動機械学習と自動特徴量作成）

2022/04/13(水)18:30 〜 19:30 開催

ブックマーク

#IoT, #初心者, #機械学習

イベント内容

概要

データサイエンスに関する雑談を通して、すいすいデータサイエンスを推進できるような知見を貯めていくオンライン雑談会

GRIの分析官リーダー他が参加してテーマについてお話します
参加無料、お気軽にご参加ください

内容

第29回「IoTセンサーデータのお手軽な予兆分析（時系列データの自動機械学習と自動特徴量作成）」

総務省の「令和元年版情報通信白書（※1）」では、2020年代には約450億台のIoT機器がインターネットに接続されると予測しており、データ活用の可能性が拡大しています。一方、IoTで取得できるデータの多くを占めるセンサーデータは時系列データであり、超大規模な時系列データを人が効率的に理解できるようにするためには、技術力が必要な分野になります。

今回のすいすい会では、自動機械学習を用い、センサーデータを利用したイベント予測の初手をお伝えします。典型的なシナリオは、「ある特定のイベントの予兆としてセンサーデータに特定の波形が存在することを確かめたい」というものです。予兆の波形パターンが分かれば、あとはその予兆を検知し、様々な対応策を打つことができ、予兆からイベントの原因を推測することも可能な場合があります。一方、予兆の可能性のある波形のパターンは無数に考えられるため、それらのデータを大量に用意することは、自動機械学習を利用する際のボトルネックになります。このボトルネックを解消するために、センサーデータのような時系列の波形データに対する自動特徴量生成ライブラリtsfresh（※2）を使った一連の手順をご紹介します。

センサーデータから得られる生データを用意
tsfreshを利用して特徴量を自動生成
自動生成された特徴量を自動機械学習（例：ForecastFlow）へ入れ予測モデルを構築

具体的な事例として、車が通過した地面の状態を加速度センサーのみで予測するタスクを紹介します。予測する地面の状態は「横断歩道」、「ロードマーカー」、「パンプ」、「道路のつぎはぎ」の 4種類です。tsfreshと ForecastFlowを組み合わせることで、初心者でも、簡単に、素早く予測を行うことができるということを実感していただければ幸いです。

（※1）https://www.soumu.go.jp/johotsusintokei/whitepaper/ja/r01/pdf/
（※2）https://tsfresh.readthedocs.io/en/latest/

ナビゲーター

古幡征史
Ph.D in Computer Science
所属：　株式会社GRI 取締役
経歴：　GRIにて50以上のAI, BI, 分析基盤構築プロジェクトをリード
KPMGコンサルティング、University of Southern California、ドワンゴを経て、2016年9月より現職