論文の概要: Survival Analysis of the Compressor Station Based on Hawkes Process with
Weibull Base Intensity
- arxiv url: http://arxiv.org/abs/2112.13581v1
- Date: Mon, 27 Dec 2021 09:18:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-28 22:24:44.247068
- Title: Survival Analysis of the Compressor Station Based on Hawkes Process with
Weibull Base Intensity
- Title（参考訳）: ワイブル塩基強度を有するホークス過程に基づく圧縮機ステーションの生存率解析
- Authors: Lu-ning Zhang, Jian-wei Liu, Xin Zuo
- Abstract要約: 我々はホークス法を用いて圧縮機ステーションの故障シーケンスをモデル化する。
例えば、Weibull分布から得られる新しい時間変化ベース強度を提案する。
本手法は,ホークスのプロセスのトリガーパターンを同時に,頑健に学習することができる。
- 参考スコア（独自算出の注目度）: 5.19802244451596
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we use the Hawkes process to model the sequence of failure,
i.e., events of compressor station and conduct survival analysis on various
failure events of the compressor station. However, until now, nearly all
relevant literatures of the Hawkes point processes assume that the base
intensity of the conditional intensity function is time-invariant. This
assumption is apparently too harsh to be verified. For example, in the
practical application, including financial analysis, reliability analysis,
survival analysis and social network analysis, the base intensity of the truth
conditional intensity function is very likely to be time-varying. The constant
base intensity will not reflect the base probability of the failure occurring
over time. Thus, in order to solve this problem, in this paper, we propose a
new time-varying base intensity, for example, which is from Weibull
distribution. First, we introduce the base intensity from the Weibull
distribution, and then we propose an effective learning algorithm by maximum
likelihood estimator. Experiments on the constant base intensity synthetic
data, time-varying base intensity synthetic data, and real-world data show that
our method can learn the triggering patterns of the Hawkes processes and the
time-varying base intensity simultaneously and robustly. Experiments on the
real-world data reveal the Granger causality of different kinds of failures and
the base probability of failure varying over time.
- Abstract（参考訳）: 本稿では, ホークス法を用いて, コンプレッサーステーションの故障シーケンス, すなわち, コンプレッサーステーションの故障イベントをモデル化し, コンプレッサーステーションの各種故障事象の生存解析を行う。
しかし、これまでホークス点過程のほぼすべての関連する文献は、条件付強度関数の基底強度は時間不変であると仮定している。
この仮定は、検証するには厳しすぎるようだ。
例えば、財務分析、信頼性分析、サバイバル分析、社会ネットワーク分析といった実用的な応用では、真理条件強度関数の基本強度は、時間変動である可能性が非常に高い。
一定のベース強度は、時間とともに発生する失敗のベース確率を反映しない。
そこで本稿では,この問題を解決するために,例えばワイブル分布の時間変化ベース強度を提案する。
まず,Weibull分布の基底強度を導入し,最大確率推定器による効果的な学習アルゴリズムを提案する。
時間変化ベース強度合成データ,時間変化ベース強度合成データ,実世界のデータを用いた実験により,ホークス過程のトリガパターンと時間変化ベース強度を同時に,強固に学習できることが判明した。
実世界のデータによる実験では、さまざまな種類の障害のグレンジャー因果関係と、時間とともに変化する障害のベース確率が明らかになった。
関連論文リスト
- On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。
ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。
我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-24T08:08:05Z) - Doubly Robust Structure Identification from Temporal Data [34.00400857111283]
時系列データの原因を学習することは、ファイナンスから地球科学、バイオメディカルアプリケーションまで、多くのアプリケーションにおいて基本的な課題である。
このタスクの一般的なアプローチはベクトル自己回帰に基づいており、潜在的な原因間の未知の矛盾を考慮していない。
時間的データ(SITD)を用いた構造同定のための新しい二重頑健な手法を提案する。
論文 参考訳（メタデータ） (2023-11-10T11:53:42Z) - Adapting to Continuous Covariate Shift via Online Density Ratio Estimation [64.8027122329609]
分散シフトへの対処は、現代の機械学習における中心的な課題の1つだ。
歴史的情報を適切に再利用するオンライン手法を提案する。
我々の密度比推定法は, ダイナミックなリセットバウンドを楽しむことにより, 良好に動作できることが証明された。
論文 参考訳（メタデータ） (2023-02-06T04:03:33Z) - Stateful Offline Contextual Policy Evaluation and Learning [88.9134799076718]
我々は、シーケンシャルデータから、政治以外の評価と学習について研究する。
動的パーソナライズされた価格設定などの問題の因果構造を形式化する。
本報告では,本クラスにおけるアウト・オブ・サンプル・ポリシーの性能改善について述べる。
論文 参考訳（メタデータ） (2021-10-19T16:15:56Z) - Learning Temporally Causal Latent Processes from General Temporal Data [22.440008291454287]
それらの非線形混合物から時間的因果潜在過程を同定できる2つの証明可能な条件を提案する。
種々のデータセットに対する実験結果から, 時間的因果潜在過程が観測変数から確実に同定されることが示された。
論文 参考訳（メタデータ） (2021-10-11T17:16:19Z) - BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。
本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
論文 参考訳（メタデータ） (2021-06-07T10:14:18Z) - Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。
我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。
実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
論文 参考訳（メタデータ） (2021-05-25T14:35:46Z) - Normalized multivariate time series causality analysis and causal graph
reconstruction [0.0]
因果分析は科学の中心にある重要な問題であり、データサイエンスと機械学習において特に重要である。
この研究は、情報フローに基づく2変数時間系列因果推論の長期一般化とともに、この作業ラインをコミュニティに紹介する。
結果として得られる公式は透明であり、計算的に非常に効率的なアルゴリズムとして実装することができる。
論文 参考訳（メタデータ） (2021-04-23T00:46:35Z) - Uncertainty Quantification for Inferring Hawkes Networks [13.283258096829146]
ネットワークデータからノード間の因果関係を学習するための統計的推論フレームワークを開発した。
ネットワークホークス過程の最大推定値に対する不確かさの定量化を行う。
論文 参考訳（メタデータ） (2020-06-12T23:08:36Z) - The statistical physics of discovering exogenous and endogenous factors
in a chain of events [0.0]
本研究では,一連の事象発生時間から外生的・内生的要因を推定する手法を開発した。
この分析は、不均一なポアソン過程とホークス過程を組み合わせたモデルを用いて行われる。
論文 参考訳（メタデータ） (2020-03-02T04:55:41Z) - GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。
我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。
結果として得られるアルゴリズム、GenDICEは単純で効果的である。
論文 参考訳（メタデータ） (2020-02-21T00:27:52Z)
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。