論文の概要: Applications of shapelet transform to time series classification of earthquake, wind and wave data

• arxiv url: http://arxiv.org/abs/2004.11243v1
• Date: Wed, 22 Apr 2020 10:17:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-10 17:57:45.907332
• Title: Applications of shapelet transform to time series classification of earthquake, wind and wave data
• Title（参考訳）: シェイプレット変換の地震・風・波動データの時系列分類への応用
• Authors: Monica Arul and Ahsan Kareem
• Abstract要約: 「シェープレット変換」は時系列列の形状の局所的類似性に基づく。 理解可能な特徴と透過的なアルゴリズムを備えた「ホワイトボックス」機械学習モデルを提案する。 モデルはドメインの実践者の介入なしにイベント検出を自動化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous detection of desired events from large databases using time series classification is becoming increasingly important in civil engineering as a result of continued long-term health monitoring of a large number of engineering structures encompassing buildings, bridges, towers, and offshore platforms. In this context, this paper proposes the application of a relatively new time series representation named "Shapelet transform", which is based on local similarity in the shape of the time series subsequences. In consideration of the individual attributes distinctive to time series signals in earthquake, wind and ocean engineering, the application of this transform yields a new shape-based feature representation. Combining this shape-based representation with a standard machine learning algorithm, a truly "white-box" machine learning model is proposed with understandable features and a transparent algorithm. This model automates event detection without the intervention of domain practitioners, yielding a practical event detection procedure. The efficacy of this proposed shapelet transform-based autonomous detection procedure is demonstrated by examples, to identify known and unknown earthquake events from continuously recorded ground-motion measurements, to detect pulses in the velocity time history of ground motions to distinguish between near-field and far-field ground motions, to identify thunderstorms from continuous wind speed measurements, to detect large-amplitude wind-induced vibrations from the bridge monitoring data, and to identify plunging breaking waves that have a significant impact on offshore structures.
• Abstract（参考訳）: 時系列分類を用いた大規模データベースからの望ましいイベントの自動検出は、建物、橋、塔、およびオフショアプラットフォームを含む多数のエンジニアリング構造物の長期にわたる健康モニタリングの結果、土木工学においてますます重要になっている。 本稿では,時系列列列の形状の局所的類似性に基づく比較的新しい時系列表現である「シェープレット変換」の適用法を提案する。 地震・風・海洋工学における時系列信号特有の特性を考慮すると、この変換の適用により、新しい形状に基づく特徴表現が得られる。 この形状に基づく表現と標準機械学習アルゴリズムを組み合わせることで、真に「ホワイトボックス」な機械学習モデルを理解可能な特徴と透明なアルゴリズムで提案する。 このモデルは、ドメイン実践者の介入なしにイベント検出を自動化し、実用的なイベント検出手順を提供する。 The efficacy of this proposed shapelet transform-based autonomous detection procedure is demonstrated by examples, to identify known and unknown earthquake events from continuously recorded ground-motion measurements, to detect pulses in the velocity time history of ground motions to distinguish between near-field and far-field ground motions, to identify thunderstorms from continuous wind speed measurements, to detect large-amplitude wind-induced vibrations from the bridge monitoring data, and to identify plunging breaking waves that have a significant impact on offshore structures.

関連論文リスト

• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Jointly Modeling Spatio-Temporal Features of Tactile Signals for Action Classification [50.63919418371698]
  ウェアラブルエレクトロニクスによって収集される触覚信号は、人間の行動のモデリングと理解に不可欠である。 既存の動作分類法では、触覚信号の空間的特徴と時間的特徴を同時に捉えることができない。 S-Temporal Aware Aware Transformer (STAT) を提案する。
  論文  参考訳（メタデータ） (2024-01-21T03:47:57Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• An Automated Machine Learning Approach for Detecting Anomalous Peak Patterns in Time Series Data from a Research Watershed in the Northeastern United States Critical Zone [3.1747517745997014]
  本稿では,米国北東部臨界水域におけるセンサによる時系列データの異常検出を支援する機械学習フレームワークを提案する。 このフレームワークは特に、センサーの故障や自然現象から生じるピークパターンの異常を識別することに焦点を当てている。
  論文  参考訳（メタデータ） (2023-09-14T19:07:50Z)
• Self-Supervised Temporal Analysis of Spatiotemporal Data [2.2720298829059966]
  地理空間活動の時間的パターンと土地利用のタイプとの間には相関関係がある。 移動活動時系列に基づいて景観を階層化する,新たな自己教師型手法を提案する。 実験により、時間埋め込みは時系列データの意味論的に意味のある表現であり、異なるタスクにまたがって効果的であることが示されている。
  論文  参考訳（メタデータ） (2023-04-25T20:34:38Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• Robust Audio Anomaly Detection [10.75127981612396]
  提案されたアプローチは、トレーニングデータセットにラベル付き異常が存在することを前提としません。 時間力学は、注意機構を付加した繰り返し層を用いてモデル化される。 ネットワークの出力は、外向きの頑健な確率密度関数である。
  論文  参考訳（メタデータ） (2022-02-03T17:19:42Z)
• SoundDet: Polyphonic Sound Event Detection and Localization from Raw Waveform [48.68714598985078]
  SoundDetは、多音動音イベントの検出とローカライゼーションのためのエンドツーエンドのトレーニング可能で軽量なフレームワークである。 SoundDetは、生のマルチチャネル波形を直接消費し、検出すべき時間音イベントを完全な音オブジェクトとして扱う。 次に、時間的変化が大きいイベントを予測する上での課題に対処するため、高密度な音響提案イベントマップを構築する。
  論文  参考訳（メタデータ） (2021-06-13T11:43:41Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• Machine learning based automated identification of thunderstorms from anemometric records using shapelet transform [0.0]
  本論文では,機械学習技術を用いて雷雨を自律的に識別・分離する新しい研究手法を提案する。 機械学習アルゴリズムと組み合わせた新しい形状に基づく表現は、実用的なイベント検出手順をもたらす。 この手法により,雷雨に関連する非定常記録を235件同定した。
  論文  参考訳（メタデータ） (2021-01-10T11:06:41Z)
• Data Anomaly Detection for Structural Health Monitoring of Bridges using Shapelet Transform [0.0]
  多くの構造健康モニタリング(SHM)システムが、土木インフラを監視するために配備されている。 SHMシステムによって測定されたデータは、故障または故障したセンサーによって引き起こされる複数の異常によって影響を受ける傾向にある。 本稿では,SHMデータの異常を自律的に識別するために,Shapelet Transformという比較的新しい時系列表現を提案する。
  論文  参考訳（メタデータ） (2020-08-31T01:11:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。