論文の概要: Smart Metering System Capable of Anomaly Detection by Bi-directional LSTM Autoencoder

• arxiv url: http://arxiv.org/abs/2112.03275v1
• Date: Mon, 6 Dec 2021 12:34:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-08 16:00:08.087303
• Title: Smart Metering System Capable of Anomaly Detection by Bi-directional LSTM Autoencoder
• Title（参考訳）: 双方向LSTMオートエンコーダによる異常検出が可能なスマート計測システム
• Authors: Sangkeum Lee, Hojun Jin, Sarvar Hussain Nengroo, Yoonmee Doh, Chungho Lee, Taewook Heo, Dongsoo Har
• Abstract要約: 異常検出は、障害検出、システム監視、イベント検出といった幅広い応用に関係している。 本稿では,スマート計測システムで観測された異常な異常検出手法を提案する。 BiLSTMベースのオートエンコーダが使われ、異常なデータポイントが見つかる。
• 参考スコア（独自算出の注目度）: 0.6649973446180738
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection is concerned with a wide range of applications such as fault detection, system monitoring, and event detection. Identifying anomalies from metering data obtained from smart metering system is a critical task to enhance reliability, stability, and efficiency of the power system. This paper presents an anomaly detection process to find outliers observed in the smart metering system. In the proposed approach, bi-directional long short-term memory (BiLSTM) based autoencoder is used and finds the anomalous data point. It calculates the reconstruction error through autoencoder with the non-anomalous data, and the outliers to be classified as anomalies are separated from the non-anomalous data by predefined threshold. Anomaly detection method based on the BiLSTM autoencoder is tested with the metering data corresponding to 4 types of energy sources electricity/water/heating/hot water collected from 985 households.
• Abstract（参考訳）: 異常検出は、障害検出、システム監視、イベント検出といった幅広い応用に関係している。 スマートメータシステムから得られた測定データから異常を識別することは,電力システムの信頼性,安定性,効率を高める上で重要な課題である。 本稿では,スマート計測システムで観測された異常な異常検出手法を提案する。 提案手法では、双方向長短期メモリ(BiLSTM)ベースのオートエンコーダを用い、異常なデータ点を検出する。 非アノマラスデータを用いたオートエンコーダによる再構成誤差を算出し、非アノマラスデータから異常に分類される外れ値を予め定義された閾値で分離する。 985世帯から収集した4種類のエネルギー源電気・水・熱・熱水に対応する測定データを用いて、bilstmオートエンコーダに基づく異常検出方法をテストする。

関連論文リスト

• Anomaly Detection of Tabular Data Using LLMs [54.470648484612866]
  我々は,事前訓練された大規模言語モデル (LLM) がゼロショットバッチレベルの異常検出器であることを示す。 本稿では,実異常検出におけるLCMの潜在性を明らかにするために,エンドツーエンドの微調整手法を提案する。
  論文  参考訳（メタデータ） (2024-06-24T04:17:03Z)
• An Improved Anomaly Detection Model for Automated Inspection of Power Line Insulators [0.0]
  電力系統の信頼性を確保するためには絶縁体の検査が重要である。 検査プロセスを自動化するために、ディープラーニングがますます活用されています。 本稿では,異常検出とオブジェクト検出の2段階的アプローチを提案する。
  論文  参考訳（メタデータ） (2023-11-14T11:36:20Z)
• Autoencoder-based Anomaly Detection System for Online Data Quality Monitoring of the CMS Electromagnetic Calorimeter [0.0]
  半教師付き機械学習を用いたリアルタイムオートエンコーダによる異常検出システムを提案する。 異常の時間依存性の進化を利用して異常検出性能を最大化する新しい手法を提案する。 システムの性能は、2018年と2022年のLHC衝突データに見られる異常で検証される。
  論文  参考訳（メタデータ） (2023-09-18T21:11:25Z)
• Interactive System-wise Anomaly Detection [66.3766756452743]
  異常検出は様々なアプリケーションにおいて基本的な役割を果たす。 既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。 システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
  論文  参考訳（メタデータ） (2023-04-21T02:20:24Z)
• A Bi-LSTM Autoencoder Framework for Anomaly Detection -- A Case Study of a Wind Power Dataset [2.094022863940315]
  異常(英: Anomalies)とは、通常および同質の事象から逸脱するデータポイントまたはイベントを指す。 本研究では,Bi-LSTMアーキテクチャとAutoencoderを組み合わせた時系列異常検出フレームワークを提案する。 Bi-LSTM Autoencoderモデルは96.79%の分類精度を達成し、より一般的なLSTM Autoencoderモデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-03-17T00:24:28Z)
• Autoencoder based Anomaly Detection and Explained Fault Localization in Industrial Cooling Systems [0.32956425475258266]
  大規模産業用冷却システムにおける異常検出のための自動エンコーダに基づくエンドツーエンドワークフローを提案する。 総復元誤差のしきい値を用いてシステム障害を同定する。 フォールトローカライゼーションでは,個々の再構成誤差を計算する。
  論文  参考訳（メタデータ） (2022-10-14T09:28:49Z)
• 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)
• Smart Meter Data Anomaly Detection using Variational Recurrent Autoencoders with Attention [0.0]
  本稿では,アテンション機構を備えた変分リカレントオートエンコーダに基づく教師なし異常検出手法を提案する。 スマートメーターの「汚れ」データを用いて、学習中の貢献度を減少させるために、欠落した値とグローバルな異常を事前に検出する。
  論文  参考訳（メタデータ） (2022-06-08T19:39:51Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。