面向多变量时间序列模式探索的可解释人工智能：基于时序融合变换器和变分自编码器的潜在空间可视化分析在电网事件诊断中的应用
机器学习
2024-12-25 v2 人工智能
摘要
检测和分析多变量时间序列数据中的复杂模式对于城市和环境系统运行中的决策至关重要。然而，由于复杂模式的高维度、 intricacy complexity 以及相互关联性，挑战使得难以理解其背后的物理过程。现有的AI方法在可解释性、计算效率和可扩展性方面常常受到限制，降低了其在实际场景中的适用性。本文提出了一种新颖的可视化分析框架，该框架集成了两种生成式AI模型——时序融合变换器（Temporal Fusion Transformer, TFT）和变分自编码器（Variational Autoencoders, VAEs），将复杂模式降维至低维潜在空间，并利用主成分分析（PCA）、t-SNE 和 UMAP 配合 DBSCAN 进行二维可视化。通过协调且交互式的视图和量身定制的图形，呈现这些可视化结果，使人们能够直观地探索复杂的多变量时序模式，识别模式之间的相似性，并揭示其潜在关联性，以实现对AI输出的更好可解释性。该框架通过对电网信号数据进行案例研究，识别出包括故障和异常在内的多标签电网事件签名，这些事件具有多样化的根本原因。此外，本文引入了新的指标和可视化方法，用于验证模型并评估TFT 和 VAE 在不同配置下生成的潜在图的性能、效率和一致性。这些分析为模型参数调优和可靠性改进提供了可操作的见解。比较结果表明，TFT 在运行时间更短且在可扩展性方面优于多样化时间序列数据形状相对于 VAE。本工作推进了多变量时间序列中的故障诊断，促进了可解释AI以支持关键系统运行。
引用
@article{arxiv.2412.16098,
title = {Explainable AI for Multivariate Time Series Pattern Exploration: Latent Space Visual Analytics with Temporal Fusion Transformer and Variational Autoencoders in Power Grid Event Diagnosis},
author = {Haowen Xu and Ali Boyaci and Jianming Lian and Aaron Wilson},
journal= {arXiv preprint arXiv:2412.16098},
year = {2024}
}