用于炼铁工业的多变量时间序列循环模型可解释性的注意力机制
机器学习
2020-07-27 v1
摘要
数据驱动模型的可解释性是让过程工程师接受依赖数据驱动模型预测来调节炼铁工业过程的要求。在本文的研究中，我们专注于开发一种可解释的多变量时间序列预测深度学习架构，用于高炉生产的铁水温度。提出了一种基于长短期记忆（LSTM）的架构，增强了注意力机制和引导反向传播，以提供每个输入的局部时间可解释性。结果表明，该架构应用于高炉数据具有很高的潜力，并且提供的可解释性正确反映了高炉固有过程所决定的真实复杂变量关系，并且与基于循环的深度学习架构相比，预测误差更小。
引用
@article{arxiv.2007.12617,
title = {Attention Mechanism for Multivariate Time Series Recurrent Model Interpretability Applied to the Ironmaking Industry},
author = {Cedric Schockaert and Reinhard Leperlier and Assaad Moawad},
journal= {arXiv preprint arXiv:2007.12617},
year = {2020}
}