深度Transformer网络用于时间序列分类：核电厂安全案例
机器学习
2021-04-20 v2 神经与进化计算
摘要
核电厂动态概率风险评估中一个具有挑战性的部分在于，针对各种初始事件和分支条件需要进行大量时序仿真，由此产生的代表性特征提取对于后续应用变得复杂。人工智能技术已被证明是处理时间依赖序列数据的强大工具，能够从大数据中自动提取并生成复杂特征。本文以一种监督学习的方式使用一种称为Transformer的先进时序神经网络，对时间依赖的核电厂仿真数据进行建模，并推断给定事件序列是否导致堆芯损坏。Transformer的训练与测试数据集通过运行10,000次RELAP5-3D核电厂断电仿真获得，变量列表来自RAVEN软件。每次仿真根据后果被分类为“OK”或“CORE DAMAGE”。结果表明，Transformer能够学习序列数据的特征，并在测试数据集上以约99%的分类准确率取得令人满意的性能。
引用
@article{arxiv.2104.05448,
title = {Deep Transformer Networks for Time Series Classification: The NPP Safety Case},
author = {Bing Zha and Alessandro Vanni and Yassin Hassan and Tunc Aldemir and Alper Yilmaz},
journal= {arXiv preprint arXiv:2104.05448},
year = {2021}
}