近年, オンラインギャンブルデータを用いた行動分析の分野が発展している. しかし, 時系列の行動変化に関する研究は十分になされていない. そこで本研究では, 問題ギャンブリング (ギャンブルにより生活に問題が発生している状態) に至るプレイヤーの早期発見を目的として, オンラインギャンブル行動データにおいてShapeletによる距離測定を用いた時系列変化を定量化する分類器を提案する. 特に, 短期間での局所的な行動特性を表すLocal-Shapeletと長期間での大局的な行動特性を表すGlobal-Shapeletの予測能力を調査した. 予測実験は, 時系列特徴量の方が非時系列特徴量より有効であることを示す. また, 局所的な時系列特徴量と大局的な時系列特徴量の両方を特徴量として用いた方が精度が高いことも示す.
