ASTRI-Horn监测数据的多元时间序列预测：一种正常行为模型
天体物理仪器与方法
2026-02-24 v1 高能天体物理现象
机器学习
摘要
本研究提出了一种正常行为模型（NBM），用于预测ASTRI-Horn切伦科夫望远镜在正常运行条件下的监测时间序列数据。分析聚焦于望远镜控制单元在2022年9月至2024年7月期间采集的15个物理变量，这些变量代表了方位角和俯仰电机的传感器测量值。经过数据清洗、重采样、特征选择和相关性分析后，数据集被分割成固定长度的区间，其中前I个样本作为输入序列提供给模型，而预测长度T表示要预测的未来时间步数。然后应用滑动窗口技术来增加区间数量。训练了一个多层感知机（MLP）来对所有特征同时执行多元预测。模型性能使用均方误差（MSE）和归一化中位数绝对偏差（NMAD）进行评估，并与长短期记忆（LSTM）网络进行了基准比较。MLP模型在不同特征和I-T配置下均表现出一致的结果，在收敛更快的同时达到了与LSTM相当的性能。在其最佳配置下（4个隐藏层，每层720个单元，I和T长度均为300个样本，对应5分钟分辨率下的5小时），MLP在测试集上实现了0.019+/-0.003的MSE和0.032+/-0.009的NMAD。将预测范围延长至该配置允许的最大值6.5小时，并未降低性能，证实了该模型在提供可靠的小时级预测方面的有效性。所提出的NBM为在线ASTRI-Horn监测时间序列中的早期异常检测提供了强大工具，为未来开发支持预测性维护的预测与健康管理系统奠定了基础。
引用
@article{arxiv.2602.19984,
title = {Multivariate time-series forecasting of ASTRI-Horn monitoring data: A Normal Behavior Model},
author = {Federico Incardona and Alessandro Costa and Farida Farsian and Francesco Franchina and Giuseppe Leto and Emilio Mastriani and Kevin Munari and Giovanni Pareschi and Salvatore Scuderi and Sebastiano Spinello and Gino Tosti},
journal= {arXiv preprint arXiv:2602.19984},
year = {2026}
}
备注
15 pages, 12 figures