基于时间序列数据RNN分类器的可解释故障预测
机器学习
2019-01-25 v1 机器学习
摘要
给定以细粒度作为时间序列收集的关键性能指示器，我们的目标是预测并解释存储环境中的故障。尽管基于尖峰遥测数据的可解释预测建模在许多领域都至关重要，当前方法无法解决该问题。适用于序列建模和学习时间依赖关系的深度学习方法（如RNN）是有效的，但从可解释性角度看是不透明的。我们的方法首先从时间序列中提取异常尖峰作为事件，然后构建带注意力机制的RNN分类器以嵌入这些事件的不规则性与频率。在真实世界存储环境中的初步评估表明，我们的方法能在3天预测窗口内以与传统基于RNN的分类器相当的准确性预测故障。同时，它可以通过返回导致这些故障预测的关键异常事件来解释预测。
引用
@article{arxiv.1901.08554,
title = {Explainable Failure Predictions with RNN Classifiers based on Time Series Data},
author = {Ioana Giurgiu and Anika Schumann},
journal= {arXiv preprint arXiv:1901.08554},
year = {2019}
}
备注
In AAAI-19 Workshop on Network Interpretability for Deep Learning