面向传感器数据应用的显式上下文集成递归神经网络

传感器、通信和计算技术的发展与进步带来了数据丰富的环境。在这样的环境中，不仅可以轻松地从被监测实体获取数据，还可以从该实体运行的环境中获取数据。从问题域中获得的、不能独立用于学习模型的额外数据构成了上下文。如果在学习时考虑这些上下文，则可能提高预测模型的性能。通常，来自各种传感器的数据以时间序列的形式存在。递归神经网络（RNN）因其能固有地处理时间上下文而成为此类数据的首选。然而，传统的RNN模型，如Elman RNN、长短期记忆网络（LSTM）和门控循环单元（GRU），在其现有形式下并未提供任何集成显式上下文的机制。在本文中，我们提出了一种上下文集成RNN（CiRNN），它能够集成以上下文特征形式表示的显式上下文。在CiRNN中，网络权重受到上下文特征的影响，使得与给定上下文更相关的主要输入特征被赋予更高的重要性。为了展示CiRNN的有效性，我们选择了一个应用领域——发动机健康预测，该领域从各种传感器捕获数据，并且上下文信息是可用的。我们使用了NASA涡扇发动机退化仿真数据集来估计剩余使用寿命（RUL），因为它提供了上下文信息。我们将CiRNN与基线模型以及最先进的方法进行了比较。实验结果表明，当使用RMSE和非对称评分函数的分数来衡量性能时，与最先进模型相比，分别有39%和87%的提升。后一种度量是RUL估计任务所特有的。