単変量時系列データへのDMDの適用と結果の見方 - Qiita

はじめに こんにちは、(株)日立製作所Lumada Data Science Lab.の田中と申します。 早速ですが、電流や振動、温度、圧力などのセンサデータから異常を検知したり、異常の予兆を検知するというタスクが世の中にはあります。このとき、扱うデータフォーマットは一定時間間隔でセンサの値を取得した単変量の時系列データであることが多いです。 その際、時系列データに対してRMS(Root Mean Square)や時間微分、フーリエ変換などの様々な処理を施すことでデータの特徴や構造を把握し、効果的な前処理やアルゴリズムの検討に役立てるということがあるかと思います。 そこで、本記事ではデータの特徴を把握する上で有効な手法の一つである動的モード分解(DMD:Dynamic Mode Decomposition)の単変量時系列データへの適用方法と結果の見方についてご紹介します。 DMDは時々刻々