基于GAN和BiLSTM的数字孪生体中多维遥测数据的时间序列预测
机器学习
2025-01-16 v1 信号处理
摘要
近年来，关于数字孪生体的研究呈上升趋势。除了将物理世界镜像到数字世界之外，还需要提供与收集并传输到虚拟世界数据相关的服务。其中一种服务是预测物理部件的未来行为，这可能导致诸如预防有害事件或设计改进以获得更好性能等应用。用于预测任何系统运行的策略是使用像ARIMA或LSTM这样的时间序列模型，并且针对这些算法实现了改进。最近，基于生成模型（如生成对抗网络GAN）的深度学习技术被提出用于创建时间序列，而LSTM在时间序列预测中获得了更大的关注，但两者都存在限制，限制了预测结果。文献中另一个问题是处理时间序列生成中的多变量环境/应用程序的挑战。因此，需要研究新方法来填补这些差距，从而为创建有用的数字孪生体提供更好的资源。在本提案中，计划研究将BiLSTM层与由GAN获取的时间序列集成，以提高数据集中所有特征在准确度和因而改进行为预测方面的表现。
引用
@article{arxiv.2501.08464,
title = {Time series forecasting for multidimensional telemetry data using GAN and BiLSTM in a Digital Twin},
author = {Joao Carmo de Almeida Neto and Claudio Miceli de Farias and Leandro Santiago de Araujo and Leopoldo Andre Dutra Lusquino Filho},
journal= {arXiv preprint arXiv:2501.08464},
year = {2025}
}