MTS-CycleGAN：一种基于对抗的深度映射学习网络用于多元时间序列域适应并应用于炼铁工业
机器学习
2020-07-16 v1 机器学习
摘要
在当今时代，越来越多的机器学习模型被生成以用于工业过程自动化。为此，机器学习模型使用各单一设备的历史数据进行训练，从而开发出基于设备的模型。为将机器学习模型提升至更高层次的学习能力，域适应（domain adaptation）已开启从多个设备组合中提取相关模式的大门。本研究聚焦于将特定基于设备的历史数据（源域）转换为对应于某一参考设备（目标域）的数据，从而创建训练域不变通用机器学习模型所需的多设备全局数据集。本研究旨在将域适应应用于炼铁工业，特别是通过汇集不同高炉的数据来创建域不变数据集。高炉数据以多元时间序列为特征。多元时间序列数据的域适应在文献中尚未被广泛涉及。我们提出 MTS-CycleGAN，一种基于 CycleGAN 的多元时间序列数据算法。据我们所知，这是 CycleGAN 首次应用于多元时间序列数据。我们的贡献在于将基于长短期记忆（LSTM）的自编码器（AE）作为生成器、以及基于堆叠 LSTM 的判别器集成到 CycleGAN 架构中，同时配以专用的扩展特征提取机制。MTS-CycleGAN 使用两个嵌入反映高炉过程变量间复杂时间关系的人工数据集进行验证。MTS-CycleGAN 成功学习了两个人工多元时间序列数据集间的映射，实现了从源人工高炉数据集到目标人工高炉数据集的高效转换。
引用
@article{arxiv.2007.07518,
title = {MTS-CycleGAN: An Adversarial-based Deep Mapping Learning Network for Multivariate Time Series Domain Adaptation Applied to the Ironmaking Industry},
author = {Cedric Schockaert and Henri Hoyez},
journal= {arXiv preprint arXiv:2007.07518},
year = {2020}
}