基于半监督多尺度双编码的故障交通数据检测方法
机器学习
2022-12-29 v1
摘要
受近期深度学习在多尺度信息编码方面成功的启发，我们引入了一种基于变分自编码器（VAE）的半监督方法来检测故障交通数据，该问题被视作分类问题。对交通量数据的时间序列应用连续小波变换（CWT）以获得蕴含在时频表示中的丰富特征，随后采用一对VAE模型分别编码正常数据与故障数据。所得多尺度双编码被拼接并输入基于注意力的分类器，该分类器由自注意力模块和多层感知机组成。为作比较，所提架构与五种不同编码方案进行了评估，包括（1）仅编码正常数据的VAE，（2）仅编码故障数据的VAE，（3）同时编码正常与故障数据但分类器中无注意力模块的VAE，（4）连体编码，以及（5）交叉视觉Transformer（CViT）编码。前四种编码方案采用相同的卷积神经网络（CNN）架构，而第五种编码方案遵循CViT的Transformer架构。我们的实验表明，所提具有双编码方案并耦合注意力模块的架构优于其他编码方案，取得了96.4%的分类准确率、95.5%的精确率和97.7%的召回率。
引用
@article{arxiv.2212.13596,
title = {Semi-supervised multiscale dual-encoding method for faulty traffic data detection},
author = {Yongcan Huang and Jidong J. Yang},
journal= {arXiv preprint arXiv:2212.13596},
year = {2022}
}
备注
16 pages, 8 figures