JP6969993B2 - 情報抽出装置 - Google Patents

Description

本開示は、入力データから必要な情報を抽出する技術に関する。

下記特許文献１には、車両に搭載された様々なセンサ信号の基準値をニューラルネット（以下、監視モデル）によって学習し、この監視モデルを用いて、基準値を外れる信号を検知する技術が提案されている。

具体的には、複数のセンサ信号をベクトル化した入力データと、監視モデルを用いて入力データを再構成した結果である再構成データとの誤差を、ベクトルの各要素について求め、この誤差が大きい要素に対応するセンサ信号に異常があると判断する。

特開２０１６−４５８６１号公報

しかしながら、特許文献１に記載の従来技術では、データが欠損する等の異常を検知することはできるが、その異常が検知されたデータを回復する手段がなく、そのままデータ解析等の後段処理に用いると、処理の精度や信頼性を低下させてしまうという課題があった。

また、例えば、入力データがセンサ信号である場合、センサ信号の異常には、部品故障等を原因とする回復不能なケース以外に、ノイズ等を原因とする一時的なデータの異常や欠損が生じるケースがある。特に、後者のケースは、使用環境によっては頻発するため、異常が検出されたデータを全て排除すると、後段処理を効果的に稼働させることができないという課題もあった。

本開示の１つの局面は、異常を含むデータを効率よく利用する技術を提供することにある。

本開示の一態様による情報抽出装置（１０）は、取得部（１２）と、復元部（１３）と、抽出部（１４）と、を備える。
取得部は、各要素が相関関係を有する多次元ベクトルにて表現された入力データ及び入力データにおける各要素の異常状況を示す状況情報を取得する。復元部は、状況情報により異常ありと示された１又は複数の要素のそれぞれを対象要素として、入力データの要素間の正常な相関関係を学習させたニューラルネットワークである変換モデルを用いて、入力データ中の対象要素を正常値に復元した復元データを生成する。抽出部は、状況情報が異常なしを示す場合は入力データ、状況情報が異常ありを示す場合は復元データを対象データとして、対象データに関する１つ以上の潜在特徴を出力情報として抽出する。

このような構成によれば、入力データが欠損等の部分的な異常を含む場合でも、その異常の影響が抑制された、後段処理での使用に耐えうる出力情報を抽出することができる。さらに、このような出力情報を用いることで、異常を含むデータの影響を受けないロバストなデータ解析等を実現することができる。

なお、この欄及び特許請求の範囲に記載した括弧内の符号は、一つの態様として後述する実施形態に記載の具体的手段との対応関係を示すものであって、本開示の技術的範囲を限定するものではない。

情報処理システムの構成を示すブロック図である。 学習部が実行する学習処理のフローチャートである。 入力データの生成方法に関する説明図である。 学習処理の概要を示す説明図である。 取得部が実行する取得処理のフローチャートである。 取得処理の概要を示す説明図である。 復元部が実行する復元処理のフローチャートである。 復元処理の概要を示す説明図である。 抽出部が実行する抽出処理のフローチャートである。 抽出処理の概要を示す説明図である。

以下、図面を参照しながら、本開示の実施形態を説明する。
［１．構成］
図１に示す情報処理システム１は、センサ群３と、情報抽出装置１０と、情報処理装置５と、モデル生成装置２０とを備える。なお、センサ群３、情報抽出装置１０、及び情報処理装置５は、車両に搭載される。また、モデル生成装置２０は、センサ群３等を搭載する車両と無線通信を行う機能を有した基地局、または基地局が接続された通信ネットワーク上のサーバ等に設けられる。なお、情報抽出装置１０及び情報処理装置５のうち少なくとも一方が、車両の外部に設けられていてもよい。

［１−１．センサ群］
センサ群３は、車両に対する運転操作を表す操作データを出力するセンサ、及び運転操作の結果である車両の挙動を表す挙動データを出力するセンサのうち、少なくとも一方が含まれる。

具体的には、操作データとしては、アクセル、ブレーキ、及びステアリング等の操作量が挙げられる。挙動データとしては、速度、加速度及びヨーレート等が挙げられる。また、運転データには、運転状況の特定に有用な状況データが含まれてもよい。状況データとして、具体的には、車載カメラの映像データ、地図データ等から抽出される走行中の道路に関する道路属性データ、現在位置を表す位置データ、現在時刻を表す時刻データ等が挙げられる。

以下、センサ群３からの出力を順番に並べることで生成される多次元ベクトルを検出ベクトルという。つまり、検出ベクトルに属する各要素が、センサ群３を構成する個々のセンサの出力に該当する。

［１−２．モデル生成装置］
モデル生成装置２０は、情報蓄積部２１と、学習部２２と、モデル記憶部２３と、配信部２４とを備える。

情報蓄積部２１は、複数の車両に搭載されたセンサ群３から出力される検出ベクトルの時系列を、何らかの方法で取得して大量に記憶する。但し、情報蓄積部２１には、データの欠損等の異常を含まない検出ベクトル（即ち、非欠損データ）の時系列が記憶される。

学習部２２は、情報蓄積部２１に蓄積されたデータを用いて、ニューラルネットワークの学習を行うことで、監視モデルを生成する学習処理を実行する。学習処理の詳細については後述する。監視モデルには、入力されたデータを一つ以上の潜在特徴に変換後、元のデータを再構成する自己符号化器とよばれるニューラルネットワークが用いられる。特にここでは、複数の中間層を備える多層自己符号化器が用いられる。

モデル記憶部２３は、学習部２２にて生成された監視モデルを記憶する。
配信部２４は、モデル記憶部２３に記憶された監視モデルを、複数の車両のそれぞれに搭載された情報抽出装置１０に配信する。

ここで、学習部２２が実行する学習処理を、図２のフローチャートを用いて説明する。学習処理は、例えば、情報蓄積部２１に所定量の情報が蓄積される毎、又は一定期間が経過する毎に実行される。また、学習処理は、外部からの指令を受けた場合に実行されてもよい。

学習処理が開始されると、Ｓ１１０では、学習部２２は、情報蓄積部２１に蓄積された検出ベクトルＸの時系列を取得する。なお、検出ベクトルＸは、検出ベクトルＸの次元数、即ち、センサ群３を構成するセンサの数をＤとして、（１）式で表現される。

Ｓ１２０では、学習部２２は、検出ベクトルＸの時系列を、時間窓を用いて順次切り取り、切り取ったデータを多次元ベクトルで表現した多数の学習データを生成する。時間窓は、図３に示すように、Ｔを時間窓の幅とし、Ｓを時間窓のスライド間隔として、Ｗ＞Ｓとなるように設定された、いわゆる滑走時間窓が用いられる。つまり、学習部２２では、一部の時間領域が重複するように設定される時間窓を用いて、多数の学習データが生成される。なお、学習データの系列は、学習データの次元数をＰ（但し、Ｐ＝Ｄ×Ｔ）として、（２）式で表現される。（３）及び（４）式は、個々の各学習データの詳細を表す。但し、Ｔ，Ｓは、検出ベクトル生成間隔（即ち、センサ信号のサンプリング間隔）の整数倍によって表現される。以後、（２）式で表現される時刻ｔでの次元数ＰのベクトルをＹ_ｔとも表現することにする。

Ｓ１３０では、学習部２２は、先のＳ１２０で生成された個々の学習データを正規化する。ここでの正規化は、学習データに属する各要素の値が０〜１を値域とする値となるように変換することを意味する。

Ｓ１４０では、学習部２２は、先のＳ１３０で生成された正規化された学習データ（以下、単に学習データ）を用いてニューラルネットワークの学習を実行し、学習により生成
された監視モデルをモデル記憶部２３に記憶させて、本処理を終了する。

この学習では、図４に示すように、学習データをニューラルネットワークの入力とし、ネットワークの出力（以下、再構成データ）の目標値として、入力に用いた学習データを用いる。そして、入力した学習データと再構成データとの差分である再構成誤差が最小となるように、監視モデル（即ち、ニューラルネットワーク）のパラメータを調整する。このような学習は、例えばバックプロパゲーション等、ニューラルネットワークにおける公知の学習方法を用いることができる。使用する監視モデル（即ち、ニューラルネットワーク）は、Stacked Denoising Auto-encoder又はStacked Sparse Auto-encoder等の自己符号化器、又はその亜種を用いることができる。

ここで、再構成誤差は、学習データと同じ次元数の多次元ベクトル（以下、再構成誤差ベクトル）で表現され、（５）式は、再構成誤差ベクトルにおいてｐで特定される要素（以下、個別誤差）を表す。（５）式において、学習データを表す符号にハット記号を付加した符号で表されるデータが、再構成データである。学習では、（６）式に示すように、再構成誤差ベクトルに属する全ての要素の個別誤差を加算した結果を誤差評価値として、この誤差評価値の学習データ全体に対する和を目的関数とする。そして、この目的関数が最小となるように、ニューラルネットワークを構成する各ノードの重みが調整される。

［１−３．情報抽出装置］
図１に戻り、情報抽出装置１０は、センサ群３からの出力である検出データの時系列から検出データの特徴を表す情報を抽出し、出力情報として情報処理装置５に出力する。情報抽出装置１０は、取得部１２と、復元部１３と、抽出部１４とを備える。情報抽出装置１０は、モデル記憶部１１と、受信部１５を備えてもよい。

受信部１５は、モデル生成装置２０から配信される監視モデルを受信し、モデル記憶部１１に記憶させる。受信部１５は、省略されていてもよい。受信部１５を省略した場合、モデル生成装置２０で生成された監視モデルを、手動でモデル記憶部１１に記憶させればよい。

取得部１２は、センサ群３から検出ベクトルの時系列を取得して入力データを生成すると共に、モデル記憶部１１に記憶された監視モデルを用いて、入力データの異常、ひいてはセンサ群３に属する各センサの出力における欠損等の異常の有無を検出する。

復元部１３は、取得部１２にて入力データの異常が検出された場合に、モデル記憶部１１に記憶された監視モデルを用いて、入力データの異常が検出された部分を復元した復元データを生成する。

抽出部１４は、入力データの異常が検出され復元部１３にて復元データが生成された場合は復元データ、入力データの異常が検出されなかった場合は、取得部１２にて生成された入力データを対象データとし、この対象データ及び対象データを監視モデルに入力することで得られる対象データの潜在特徴を、出力情報として抽出して、情報処理装置５に出力する。対象データの潜在特徴は、例えば、監視モデルを表すニューラルネットワークの
中間層の出力、特に自己符号化器のエンコーダ部の出力を用いてもよい。

［１−３−１．取得処理］
ここで、取得部１２が実行する取得処理を、図５のフローチャートを用いて説明する。取得処理は、繰り返し実行される。

取得処理が開始されると、Ｓ２１０では、取得部１２は、センサ群３から、検出データを順次取得して記憶する。ここでは、検出データの時系列を、先に図３を用いて説明した、時間窓の時間幅Ｔ分だけ記憶する。なお、時間幅Ｔを超える分については、古い記憶内容から順に上書きしてもよい。

Ｓ２２０では、取得部１２は、処理タイミングであるか否かを判断する。処理タイミングであればＳ２３０に進み、処理タイミングでなければＳ２１０に戻る。処理タイミングは、前回の処理タイミングからシフト量Ｓに相当する時間が経過したか否かによって判断する。

Ｓ２３０では、取得部１２は、Ｓ２１０にて記憶された検出データの時系列を多次元ベクトル化することで入力データを生成し、更に、生成された入力データを正規化する。正規化の具体的な処理は、先のＳ１３０での説明と同様である。

Ｓ２４０では、取得部１２は、Ｓ２３０で生成された正規化された入力データ（以下、単に入力データ）を、モデル記憶部１１に記憶された監視モデルに適用することで、再構成データを生成する。

Ｓ２５０では、取得部１２は、入力データに対する再構成データの誤差である再構成誤差ベクトルを、上述の（５）式を用いて算出する。
Ｓ２６０では、取得部１２は、Ｓ２５０にて算出した再構成誤差ベクトルの各要素である個別誤差のそれぞれについて、予め設定された誤差閾値より大きいか否かを判断し、誤差閾値より大きな個別誤差を有する要素（即ち、入力データのいずれかの次元）を対象要素として抽出する。

Ｓ２７０では、取得部１２は、Ｓ２６０にて対象要素が抽出されたか否かを判断する。対象要素が一つも抽出されなかった場合は、Ｓ２８０に移行し、対象要素が一つでも抽出された場合は、Ｓ２９０に移行する。

Ｓ２８０では、取得部１２は、Ｓ２３０で生成された入力データを、抽出部１４での処理対象となる対象データとして出力し、抽出部１４を起動して、本処理を終了する。
Ｓ２９０では、取得部１２は、Ｓ２４０で生成された再構成データを、Ｓ２６０で抽出された１又は複数の対象要素のそれぞれを、復元部１３での復元対象として出力し、復元部１３を起動して本処理を終了する。

つまり、取得部１２は、図６に示すように、監視モデルに入力データを適用することで生成される再構成データを生成し、入力データと再構成データとの差分である再構成誤差ベクトルを要素毎に評価することで、データ欠損等の異常が発生しているセンサを推定する。

［１−３−２．復元処理］
次に、復元部１３が実行する復元処理を、図７のフローチャートを用いて説明する。復元処理は、先に説明したＳ２９０が実行されることにより起動される。

復元処理が開始されると、Ｓ３１０では、復元部１３は、先のＳ２３０にて生成された入力データを取得する。
Ｓ３２０では、復元部１３は、入力データを監視モデルに適用して再構成データを生成する。

Ｓ３３０では、復元部１３は、入力データに対する再構成データの誤差である再構成誤差ベクトルを算出し、この再構成誤差ベクトルに基づいて（６）式に示す誤差評価値を算出する。
Ｓ３４０では、復元部１３は、誤差逆伝播法を用いて、入力データの対象要素について、Ｓ３３０で算出した誤差評価値を減少させる勾配を算出する。具体的には、（７）式に示すように、対象要素に関する目的関数の偏微分を、勾配として算出する。但し、ｐは対象要素を特定する入力データの次元を表す。対象要素が複数存在する場合には、それぞれについて同様の処理を実行する。

なお、誤差逆伝播法は、例えば、Rumelhart,David E.,Hinton,Geoffrey E.,Williams,Ronald J.(8 October 1986).”Learning representations by back-propagating errors”.等に詳述された公知技術であるため、ここでの説明は省略する。

Ｓ３５０では、復元部１３は、Ｓ３４０で算出した勾配を用い、（８）式に従って入力データの対象要素を更新する。但し、ηは、パラメータ更新の学習率である。学習率ηは、例えば、１０回更新毎に０．１→０．０１→０．００１に変化させる等、一定の更新回数毎に定数倍してもよいし、AdaGrad,RMSProp,Adam等、公知の設定手法を用いて設定してもよい。以下では、対象要素が更新された入力データを復元データという。

つまり、復元処理では、学習処理と同様の手法が用いられるが、学習処理では、学習データ全体の誤差評価値の和である目的関数の値を減少させるようにニューラルネットワークの各ノードの重みを更新するのに対して、復元処理では、入力データに対する誤差評価値を減少させるように入力データの対象要素を更新する点で異なる。

Ｓ３６０では、復元部１３は、予め設定された終了条件が成立しているか否かを判断する。終了条件が成立していなけれれば、Ｓ３５０で生成された復元データを、Ｓ３１０で取得した入力データの代わりに用いて、Ｓ３２０〜Ｓ３５０の処理を繰り返す。終了条件が成立していれば、Ｓ３７０に移行する。終了条件として、例えば、誤差評価値の値が予め設定された終了閾値以下となること、及びＳ３２０〜Ｓ３５０の処理の繰り返し数が所定回数に達することのうち、少なくとも一方を用いることができる。

Ｓ３７０では、復元部１３は、終了条件が成立した時点で算出されている復元データを、抽出部１４での処理対象となる対象データとして出力し、抽出部１４を起動して、本処理を終了する。

つまり、復元処理では、図８に示すように、再構成誤差を逆伝播させ、再構成誤差を減少させる方向に、入力データの対象要素の値を繰り返し更新することで、対象要素の値が復元された復元データを生成する。この復元処理により、欠損等の異常があるセンサ出力（対象要素）は、監視モデルに保持された正常時における各要素の相関関係を実現するように、即ち、自身のセンサ出力及び他のセンサ出力との整合が取れるように復元される。

［１−３−３．抽出処理］
次に、抽出部１４が実行する抽出処理を、図９のフローチャートを用いて説明する。抽出処理は、先に説明したＳ２７０又はＳ３７０が実行されることで起動する。

抽出処理が開始されると、Ｓ４１０では、抽出部１４は、対象データを取得する。つまり、入力データに異常があると判断され、復元部１３によって復元データが生成された場合は、復元データが対象データとして用いられ、入力データに異常がないと判断された場合は、入力データがそのまま対象データとして用いられる。

Ｓ４２０では、抽出部１４は、図１０に示すように、監視モデルのうちエンコーダ部に対象データを適用し、エンコーダ部の出力に対応した中間層の出力を、対象データの潜在特徴を示す情報として抽出する。なお、抽出の対象となる情報は、エンコーダ部の出力に対応した中間層の出力に限定されるものではなく、他の中間層の出力を用いてもよい。また、後段の装置（例えば、情報処理装置５）が実行するアプリケーションに応じて抽出する情報を切り替えてもよい。例えば、後段の装置がセンサ群３の検知データを入力として用いるものであれば、抽出部１４は対象データ（即ち、異常がない場合は入力データ、異常がある場合は復元データ）の部分データをそのまま出力しても良い。

Ｓ４３０では、抽出部１４は、対象データ及びＳ４２０で抽出された中間層の出力を出力情報として、情報処理装置５に出力して、本処理を終了する。
［１−４．情報処理部］
情報処理装置５は、情報抽出装置１０からの出力情報に基づいて、データ解析等の後段処理を実施する。具体的には、例えば、対象データの統計量を求めたり、対象データ又はその統計量を用いて、運転シーンの解析及びドライバ特性の解析等を行ったりしてもよい。なお、解析の対象となるドライバ特性は、例えば、平均アクセル開度、ステアリングのぶれ等が挙げられる。

また、情報処理装置５は、出力情報に基づいて、特定のアプリケーションのための情報抽出を行ってもよい。具体的には、例えば、対象データをそのまま可視化したり、危険運転や漫然運転等の兆候を示す情報を抽出して、ドライバに対する注意喚起を行う処理に用いたりしてもよい。

ここで、情報抽出装置１０、モデル生成装置２０及び情報処理装置５は、いずれも、ＣＰＵと、例えば、ＲＡＭ又はＲＯＭ等の半導体メモリ（以下、メモリ）と、を有するマイクロコンピュータを備えてもよい。この場合、情報抽出装置１０、モデル生成装置２０及び情報処理装置５の各機能は、ＣＰＵが非遷移的実体的記録媒体に格納されたプログラムを実行することにより実現される。この例では、メモリが、プログラムを格納した非遷移的実体的記録媒体に該当する。また、このプログラムが実行されることで、プログラムに対応する方法が実行される。なお、情報抽出装置１０、モデル生成装置２０及び情報処理装置５はいずれも、１つのマイクロコンピュータを備えてもよいし、複数のマイクロコンピュータを備えてもよい。

情報抽出装置１０、モデル生成装置２０及び情報処理装置５に含まれる各部の機能を実現する手法はソフトウェアに限るものではなく、その一部又は全部の機能は、一つあるい
は複数のハードウェアを用いて実現されてもよい。例えば、上記機能がハードウェアである電子回路によって実現される場合、その電子回路は、デジタル回路、又はアナログ回路、あるいはこれらの組合せによって実現されてもよい。

［２．効果］
以上詳述した実施形態によれば、以下の効果を奏する。
（１ａ）情報処理システム１では、入力データの各要素間の正常時の相関関係を学習した監視モデルを用い、入力データに異常がある場合は、異常のある要素を復元した復元データから出力情報を抽出している。従って、入力データに一時的な欠損等の異常が生じる可能性があっても、その異常による影響が抑制されたロバストな情報抽出を行うことができる。その結果、出力情報を利用する後段処理の精度及び信頼性を向上させることができる。

（１ｂ）情報処理システム１では、監視モデルとして多層自己符号化器が用いられているため、監視モデルの中間層から、入力データの持つ冗長な情報が排除された潜在特徴を、出力情報として抽出することができる。

（１ｃ）情報処理システム１では、監視モデルとして、非線形な特徴を学習することができる多層自己符号化器が用いられているため、要素間の複雑な相関関係を精度よく再現することができる。

（１ｄ）情報処理システム１では、入力データの対象要素（即ち、欠損データ）の復元に監視モデルを用いているため、監視モデルが保持する入力データの各要素間の正常な相関関係に従って、入力データ全体の整合が取れるように対象要素を復元することができる。即ち、検知データのうち特定のセンサの値が欠損等の異常を含む場合に、他のセンサの値を含めた検知データ全体の整合が取れるように対象要素を復元することができる。更に、入力データには検出データの時系列が含まれているため、間欠的に時間窓より狭い幅で欠損等の異常が生じるセンサの出力が対象要素となった場合、時間軸上で前後に位置する同一センサのデータとも整合するように、対象要素を復元することができる。

（１ｅ）情報処理システム１では、データ欠損等による異常値を有した要素（即ち、対象要素）の検出と、対象要素の復元と、潜在特徴の抽出と、単一の監視モデルを用いて実現しているため、システム構成を簡略化することができる。

（１ｇ）情報処理システム１では、監視モデルを利用して再構成誤差を求め、個別誤差が誤差閾値より大きい要素を、復元する必要のある対象要素として検出している。従って、対象要素の検出に、誤差閾値以外の基準を事前に用意する必要がなく、設計の手間を削減することができる。

［３．他の実施形態］
以上、本開示の実施形態について説明したが、本開示は上述の実施形態に限定されることなく、種々変形して実施することができる。

（３ａ）上記実施形態では、監視モデルを利用して対象要素の検出を行っているが、これに限定されるものではない。例えば、センサ群３を構成するセンサとして異常検知機能付きセンサを使用し、センサ自信が異常の有無を出力してもよい。また、センサとは別体に設けられた異常検出器によってセンサの異常を検知してもよい。なお、これら監視モデルを利用することなくセンサの異常を検知する構成が異常検知部に相当する。

（３ｂ）上記実施形態では、センサ群３が車両に搭載された複数のセンサである場合に
ついて説明したが、これに限定されるものではなく、複数のセンサの出力が互いに相関関係を有していればよい。

（３ｃ）上記実施形態における１つの構成要素が有する複数の機能を、複数の構成要素によって実現したり、１つの構成要素が有する１つの機能を、複数の構成要素によって実現したりしてもよい。また、複数の構成要素が有する複数の機能を、１つの構成要素によって実現したり、複数の構成要素によって実現される１つの機能を、１つの構成要素によって実現したりしてもよい。また、上記実施形態の構成の一部を省略してもよい。また、上記実施形態の構成の少なくとも一部を、他の上記実施形態の構成に対して付加又は置換してもよい。なお、特許請求の範囲に記載した文言から特定される技術思想に含まれるあらゆる態様が本開示の実施形態である。

（３ｄ）上述した情報抽出装置１０の他、当該情報抽出装置１０を構成要素とするシステム、当該情報抽出装置１０としてコンピュータを機能させるためのプログラム、このプログラムを記録した半導体メモリ等の非遷移的実態的記録媒体、情報抽出方法など、種々の形態で本開示を実現することもできる。

１…情報処理システム、３…センサ群、５…情報処理装置、１０…情報抽出装置、１１，２３…モデル記憶部、１２…取得部、１３…復元部、１４…抽出部、１５…受信部、２０…モデル生成装置、２１…情報蓄積部、２２…学習部、２４…配信部。

Claims (8)

1. 各要素が相関関係を有する多次元ベクトルで表現された入力データ及び前記入力データにおける各要素の異常状況を示す状況情報を取得するように構成された取得部（１２）と、
   前記状況情報により異常ありと示された１又は複数の前記要素のそれぞれを対象要素として、前記入力データの要素間の正常な相関関係を学習させたニューラルネットワークである監視モデルを用いて、前記入力データ中の前記対象要素を正常値に復元した復元データを生成するように構成された復元部（１３）と、
   前記状況情報が異常なしを示す場合は前記入力データ、前記状況情報が異常ありを示す場合は前記復元データを対象データとして、前記対象データに関する１つ以上の潜在特徴を出力情報として抽出するように構成された抽出部（１４）と、
   を備える情報抽出装置。
2. 請求項１に記載の情報抽出装置であって、
   前記監視モデルとして、複数の中間層を有する自己符号化器を用いるように構成された
   情報抽出装置。
3. 請求項２に記載の情報抽出装置であって、
   前記抽出部は、前記潜在特徴として、前記対象データを前記監視モデルに入力することで得られる前記監視モデルの中間層からの出力を用いるように構成された
   情報抽出装置。
4. 請求項１から請求項３のいずれか１項に記載の情報抽出装置であって、
   前記復元部は、前記監視モデルを用いて、前記監視モデルに入力された前記入力データを再構成した結果を再構成データとして、前記入力データに対する前記再構成データの誤差の大きさを表す誤差評価値、及び前記対象要素に対する前記誤差評価値の勾配を算出し、該勾配に従って前記誤差評価値が小さくなる方向に前記対象要素を更新し、前記対象要素が更新された前記入力データを用いて同様の処理を繰り返すことで、前記復元データを生成するように構成された
   情報抽出装置。
5. 請求項１から請求項４のいずれか１項に記載の情報抽出装置であって、
   前記取得部は、車両に搭載された複数のセンサのそれぞれから出力される時系列データを一定時間毎に分割し一括してベクトル化することで、前記入力データを連続的に生成するように構成された、
   情報抽出装置。
6. 請求項５に記載の情報抽出装置であって、
   前記取得部は、滑走時間窓を用いて、前記時系列データを分割するように構成された
   情報抽出装置。
7. 請求項１から請求項６のいずれか１項に記載の情報抽出装置であって、
   前記取得部は、前記監視モデルを用いて該監視モデルに入力された前記入力データを再構成した結果を再構成データとして、前記入力データと前記再構成データとの差分である再構成誤差を算出し、前記再構成誤差の各要素の値である個別誤差のうち、予め設定された誤差閾値より大きい前記個別誤差を有する前記要素を前記対象要素として、前記対象要素が存在する場合に、該対象要素に異常があることを示す前記状況情報を生成するように構成された、
   情報抽出装置。
8. 請求項５又は請求項６に記載の情報抽出装置であって、
   前記取得部は、前記複数のセンサのそれぞれに設けられた前記センサの出力の異常の有無を検知する異常検知部での検知結果を前記状況情報として取得するように構成された
   情報抽出装置。

Images