EBV：用于蜜蜂时间序列原则性挖掘与预测的电子蜜蜂兽医
机器学习
2024-04-17 v1
摘要
蜜蜂对授粉和粮食生产至关重要。在众多因素中，极端温度（例如由气候变化引起）对蜜蜂健康尤为危险。预测此类极端情况将使养蜂人能够及早采取预防措施。因此，给定来自蜂箱的传感器（温度）时间序列数据，我们如何发现模式并进行预测？预测至关重要，因为它有助于发现异常行为从而向养蜂人发出警告。在这种情况下，哪些是正确的预测模型？ARIMA、RNNs 还是其他？我们提出了 EBV（电子蜜蜂兽医）方法，它具有以下理想特性：原则性：它基于 a) 物理学中的扩散方程和 b) 反馈回路控制器的控制论；有效性：它在多个真实世界时间序列上表现良好；可解释性：它仅需少数几个养蜂人能够轻松理解和信任的参数（例如蜜蜂强度）；可扩展性：它在时间上呈线性表现。我们将该方法应用于多个真实世界时间序列，发现它能产生准确的预测（与基线相比 RMSE 提升高达 49%）和分割。具体而言，EBV 检测到的不连续性与领域专家的意见基本一致，展示了我们方法的潜力和实际可行性。此外，EBV 具有可扩展性和快速性，在普通笔记本电脑上重建两个月的传感器数据仅需约 20 分钟。
引用
@article{arxiv.2402.01902,
title = {EBV: Electronic Bee-Veterinarian for Principled Mining and Forecasting of Honeybee Time Series},
author = {Mst. Shamima Hossain and Christos Faloutsos and Boris Baer and Hyoseung Kim and Vassilis J. Tsotras},
journal= {arXiv preprint arXiv:2402.01902},
year = {2024}
}
备注
9 pages, 7 figure, Accepted at 2024 SIAM International Conference on Data Mining (SDM'24)