用于智能出行中机动性状态识别的复杂时间序列无监督表征学习
机器学习
2024-09-12 v1
摘要
多变量时间序列(MTS)数据捕捉各种物理动态现象的时序行为，为提供宝贵见解。在智能出行领域，MTS在提供机动模式的时序动态方面发挥着关键作用，使能够早期检测异常行为，同时促进prognostics与健康管理(PHM)中的主动性。在本工作中，我们旨在解决使用传感器从车辆收集的MTS数据建模所面临的挑战。我们的目标是检验两种不同的无监督表征学习方法在识别智能出行中机动状态方面的有效性。具体而言，我们聚焦于从2.5年驾驶数据中提取的一些双变量加速度，其中数据集非平稳、长期、嘈杂且完全无标签，使手动标注变得不切实际。感兴趣的方法是机动性(Temporal Neighborhood Coding for Maneuvering)和解耦的本地和全局表征学习器用于机动性(Decoupled Local and Global Representation learner for Maneuvering)。这些框架的主要优势在于，以表征形式捕捉从数据中可迁移的见解，这些见解可以有效应用于多个后续任务，如时间序列分类、聚类和多线性回归，这些是定量措施和定性措施，包括对表征本身及其结果重建MTS的可视化。我们比较它们的有效性，以获得关于在智能出行中识别机动状态方面哪种方法更有效的见解。
引用
@article{arxiv.2409.06718,
title = {Unsupervised Representation Learning of Complex Time Series for Maneuverability State Identification in Smart Mobility},
author = {Thabang Lebese},
journal= {arXiv preprint arXiv:2409.06718},
year = {2024}
}
备注
12 pages, 5 figures, International Conference on Agents and Artificial Intelligence Doctoral Consortium (ICAART_DC)