論文の概要: A Multi-label Time Series Classification Approach for Non-intrusive Water End-Use Monitoring

• arxiv url: http://arxiv.org/abs/2210.00089v1
• Date: Fri, 30 Sep 2022 20:54:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-04 16:09:23.522455
• Title: A Multi-label Time Series Classification Approach for Non-intrusive Water End-Use Monitoring
• Title（参考訳）: 非侵入型水量モニタリングのためのマルチラベル時系列分類手法
• Authors: Dimitris Papatheodoulou, Pavlos Pavlou, Stelios G. Vrachimis, Kleanthis Malialis, Demetrios G. Eliades, Theocharis Theocharides
• Abstract要約: 本稿では,時系列分類を集約時系列分類と呼ぶ特定の種類の時系列分類に着目する。 本稿では,集約された情報のみに基づいて予測を行う手法を提案する。 ケーススタディでは,非侵襲的な水モニタリングを行う際の家庭用水エンドユース・ディスサグリゲーションの課題に対して,本手法を適用した。
• 参考スコア（独自算出の注目度）: 3.6427459699873004
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Numerous real-world problems from a diverse set of application areas exist that exhibit temporal dependencies. We focus on a specific type of time series classification which we refer to as aggregated time series classification. We consider an aggregated sequence of a multi-variate time series, and propose a methodology to make predictions based solely on the aggregated information. As a case study, we apply our methodology to the challenging problem of household water end-use dissagregation when using non-intrusive water monitoring. Our methodology does not require a-priori identification of events, and to our knowledge, it is considered for the first time. We conduct an extensive experimental study using a residential water-use simulator, involving different machine learning classifiers, multi-label classification methods, and successfully demonstrate the effectiveness of our methodology.
• Abstract（参考訳）: 時間的依存関係を示すさまざまなアプリケーション領域の現実的な問題が数多く存在する。 本稿では,時系列分類を集約時系列分類と呼ぶ特定の種類の時系列分類に着目する。 本稿では,多変量時系列の集約シーケンスを考察し,集約された情報のみに基づいて予測を行う手法を提案する。 本研究は,本研究の方法論を,非侵入型水モニタリングにおける家庭用水エンドユース分離の課題に応用する。 当社の方法論はイベントのプリオリ識別を必要とせず,私たちの知る限り,初めて検討される。 本研究では, 各種機械学習分類器, マルチラベル分類手法を含む住宅用水利用シミュレータを用いた広範囲な実験を行い, 提案手法の有効性を実証した。

関連論文リスト

• 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)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• Multivariate Time Series Early Classification Across Channel and Time Dimensions [3.5786621294068373]
  より柔軟な早期分類パイプラインを提案し、入力チャネルをより細かく検討する。 提案手法は,等価な入力利用のための精度の向上を図り,早期分類のパラダイムを向上することができる。
  論文  参考訳（メタデータ） (2023-06-26T11:30:33Z)
• A Comparative Study on Unsupervised Anomaly Detection for Time Series: Experiments and Analysis [28.79393419730138]
  時系列異常検出は、信頼性と安全性を実現するためにしばしば不可欠である。 近年,時系列データの異常検出が盛んに行われている。 データ、メソッド、評価戦略について紹介する。 我々は,最先端技術とディープラーニング技術とを体系的に評価し,比較した。
  論文  参考訳（メタデータ） (2022-09-10T10:44:25Z)
• A Multi-label Continual Learning Framework to Scale Deep Learning Approaches for Packaging Equipment Monitoring [57.5099555438223]
  連続シナリオにおけるマルチラベル分類を初めて研究した。 タスク数に関して対数的複雑性を持つ効率的なアプローチを提案する。 我々は,包装業界における実世界のマルチラベル予測問題に対するアプローチを検証した。
  論文  参考訳（メタデータ） (2022-08-08T15:58:39Z)
• Task-aware Similarity Learning for Event-triggered Time Series [25.101509208153804]
  本研究の目的は,未ラベルのイベントトリガー時系列間のタスク認識類似性を学習可能な教師なし学習フレームワークを開発することである。 提案するフレームワークは,さまざまなイベントトリガー時系列の類似性をモデル化し,学習するための体系的なアプローチを実現するための,ステップストーンの提供を目指している。
  論文  参考訳（メタデータ） (2022-07-17T12:54:10Z)
• Time Series Analysis via Network Science: Concepts and Algorithms [62.997667081978825]
  本稿では,時系列をネットワークに変換する既存のマッピング手法について概観する。 我々は、主要な概念的アプローチを説明し、権威的な参照を提供し、統一された表記法と言語におけるそれらの利点と限界について洞察を与える。 ごく最近の研究だが、この研究領域には大きな可能性を秘めており、今後の研究の道を開くことを目的としている。
  論文  参考訳（メタデータ） (2021-10-11T13:33:18Z)
• A Survey on Principles, Models and Methods for Learning from Irregularly Sampled Time Series [18.224344440110862]
  不規則にサンプリングされた時系列データは、生物学、生態学、気候科学、天文学、健康など、多くの応用領域で自然に発生する。 まず、不規則なサンプル時系列から学習するアプローチが異なるいくつかの軸について述べる。 次に、モデリングプリミティブの軸に沿って整理された最近の文献を調査します。
  論文  参考訳（メタデータ） (2020-11-30T23:41:47Z)
• Explainable Multivariate Time Series Classification: A Deep Neural Network Which Learns To Attend To Important Variables As Well As Informative Time Intervals [32.30627405832656]
  時系列データは、様々な現実世界のアプリケーションで広く使われている。 このような予測モデルを理解するための重要な基準は、分類に対する時間変化の入力変数の寄与を解明し定量化することである。 本稿では,変数と時間間隔を同時に識別し,分類出力を決定する新しい,モジュール型・畳み込み型特徴抽出・注目機構を提案する。
  論文  参考訳（メタデータ） (2020-11-23T19:16:46Z)
• Multi-Task Incremental Learning for Object Detection [71.57155077119839]
  マルチタスクは、知識と計算を共有しながら、複数のタスクを学習する。 古いデータにアクセスせずに漸進的に学習すると、過去の知識を壊滅的に忘れてしまう。
  論文  参考訳（メタデータ） (2020-02-13T04:58:37Z)
• A System for Real-Time Interactive Analysis of Deep Learning Training [66.06880335222529]
  現在利用可能なシステムは、トレーニングプロセスが始まる前に指定しなければならないログデータのみを監視することに限定されている。 本稿では,リアルタイム情報を生成するライブプロセス上で対話型クエリを実行可能にするシステムを提案する。
  論文  参考訳（メタデータ） (2020-01-05T11:33:31Z)

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。