用神经网络预测韧性
系统与控制
2023-08-15 v1 机器学习
性能
系统与控制
摘要
韧性工程研究系统在遭受破坏性事件后存活并恢复的能力，这在多个领域有应用。多数研究强调以韧性指标来量化系统性能，而近期研究提出统计建模方法来预测系统退化后的恢复时间。此外，过往研究要么在恢复后的数据上进行，要么局限于理想化趋势。因此，本文提出三种替代性神经网络（NN）方法，包括（i）人工神经网络、（ii）循环神经网络以及（iii）长短期记忆（LSTM），以建模并预测系统性能，涵盖驱动韧性的负面与正面因素，从而量化破坏性事件与恢复活动的影响。我们计算拟合优度度量以评估模型，并与经典统计模型（包括均方误差与调整 R 平方）比较。我们的结果表明，NN 模型在所有拟合优度度量上均优于传统模型。更具体地，LSTM 的调整 R 平方高出 60% 以上，且相比传统方法预测误差降低至 1/34。这些结果表明，用 NN 模型预测韧性既可行又准确，并可能在许多重要领域得到实际应用。
引用
@article{arxiv.2308.06309,
title = {Predicting Resilience with Neural Networks},
author = {Karen da Mata and Priscila Silva and Lance Fiondella},
journal= {arXiv preprint arXiv:2308.06309},
year = {2023}
}