基于特征的多变量时间序列聚类用于地面引力波探测器的环境状态表征

引力波观测站如 LIGO 是大型的、陆基的仪器， housed 在跨越多公里地理范围的基础设施中，并 must 主动控制以 maintain 长时间观测期间的 operational stability。尽管拥有卓越的地震隔离， 它们仍然容易受到地震噪声和其他地面扰动的影响，这些扰动可能导致仪器基础设施引入不可取的振动，从而可能导致控制不稳定或探测器输出中的噪声制 artifact。因此， 对这些观测站的地震状态进行特征化以识别一组可以 inform 给探测器操作员在日常监控和诊断中使用的 temporal patterns 至关重要。在日常层面， 操作员通过一些简单经验决定的阈值来 monitor 多个与地震相关的数据流，以诊断 operational 不稳定性和噪声来源。对于人类操作员来说， 这种手动方式 monitor 多个数据流可能是不可持续的， 因此 对这些数据流进行提炼以生成更易于人类理解的 format 所谋求。在本文中，我们 presented 一个面向 features-based 多变量时间序列聚类的 end-to-end machine learning pipeline， 以 achieve 此目标， 并通过将发现的 clusters 与探测器中感兴趣 events 相关联， 为探测器操作员提供可操作的见解。