本論では,時系列属性を含むデータから決定木を学習する新しい方式を提案する.時系列属性は,値と時刻のペアについてのシーケンスとして表される時系列データを値にとる属性であり,種々の実応用問題に頻出するために重要であると考えられる.われわれが提案する時系列決定木は,内部ノードに時系列データを持ち,時系列データに関する距離に基づいて例集合を分割する.最初に動的時間伸縮法に基づく基準例分割テストを定義し,次にこれを用いた決定木学習法を示す.実験の結果,提案手法は他の手法に比較して理解しやすく正確な決定木を学習でき,ることが分かった.さらに医療問題への適用の結果,時系列決定僕は知識発見に有望であることが分かった.This paper proposes a novel approach for learning a decision tree from a data set with time-series attributes. A time^series attribute takes, as its value, a sequence of values each of which is associated with a time atamp, and can be considered as important since it fruquantly in real-world applications. Our time-series tree has a time sequence in its internal node, and splits examples based on similarities between a pair of time sequences. We first define our standard example split test based on dynamic time warping, then propose a decision tree induction procedure for the split test. Experimental results confirm that our induction method, unlike other methods, constructs comprehensive and accurate trees. Moreover, a medical application shows that our time-series tree is promising in knowledge discovery.