論文の概要: Spacecraft Anomaly Detection with Attention Temporal Convolution Network
- arxiv url: http://arxiv.org/abs/2303.06879v1
- Date: Mon, 13 Mar 2023 05:54:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-14 16:13:39.014245
- Title: Spacecraft Anomaly Detection with Attention Temporal Convolution Network
- Title(参考訳): 注意時間畳み込みネットワークを用いた宇宙船異常検出
- Authors: Liang Liu and Ling Tian and Zhao Kang and Tianqi Wan
- Abstract要約: 時空間畳み込みネットワーク(TCN)に基づく宇宙船の時系列データに対する異常検出フレームワークを提案する。
まず、変数と時系列の間の複雑な相関をモデル化するために、動的グラフ注意を用いる。
第2に、並列処理能力を有する時間畳み込みネットワークを用いて、下流予測タスクのテキストカラーブルーを多次元的に抽出する。
- 参考スコア(独自算出の注目度): 19.127630728690534
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Spacecraft faces various situations when carrying out exploration missions in
complex space, thus monitoring the anomaly status of spacecraft is crucial to
the development of \textcolor{blue}{the} aerospace industry. The time series
telemetry data generated by on-orbit spacecraft \textcolor{blue}{contains}
important information about the status of spacecraft. However, traditional
domain knowledge-based spacecraft anomaly detection methods are not effective
due to high dimensionality and complex correlation among variables. In this
work, we propose an anomaly detection framework for spacecraft multivariate
time-series data based on temporal convolution networks (TCNs). First, we
employ dynamic graph attention to model the complex correlation among variables
and time series. Second, temporal convolution networks with parallel processing
ability are used to extract multidimensional \textcolor{blue}{features} for
\textcolor{blue}{the} downstream prediction task. Finally, many potential
anomalies are detected by the best threshold. Experiments on real NASA SMAP/MSL
spacecraft datasets show the superiority of our proposed model with respect to
state-of-the-art methods.
- Abstract(参考訳): 宇宙機は複雑な宇宙空間での探査ミッションを行う際に様々な状況に直面しているため、宇宙船の異常状態を監視することは、航空宇宙産業の発達に不可欠である。
軌道上の宇宙船 \textcolor{blue}{contains} によって生成された時系列テレメトリデータは、宇宙船の状態に関する重要な情報である。
しかしながら、従来のドメイン知識に基づく宇宙機異常検出法は、高次元と変数間の複雑な相関のため有効ではない。
本研究では,時空間畳み込みネットワーク(TCN)に基づく,宇宙船の多変量時系列データの異常検出フレームワークを提案する。
まず,動的グラフに着目し,変数と時系列の複雑な相関をモデル化する。
第2に、並列処理能力を有する時間畳み込みネットワークを用いて、下流予測タスクのために多次元の \textcolor{blue}{features} を抽出する。
最後に、多くの潜在的な異常が最高の閾値で検出される。
実際のNASA SMAP/MSL衛星データセットの実験は、最先端の手法に関して提案したモデルの優位性を示している。
関連論文リスト
- Spatial-temporal Memories Enhanced Graph Autoencoder for Anomaly Detection in Dynamic Graphs [52.956235109354175]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。
空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。
STRIPEは、動的グラフの異なる空間的・時間的ダイナミクスを効果的に活用することにより、異常を識別する優れた能力を示した。
論文 参考訳(メタデータ) (2024-03-14T02:26:10Z) - 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) - STF: Spatial Temporal Fusion for Trajectory Prediction [18.359362362173098]
軌道予測は、車や歩行者の将来の軌道を短時間で予測することを目的とした課題である。
モデルが捉えることができる情報が多ければ多いほど、将来の軌道はより正確に予測できる。
本研究では,空間的エッジと時間的エッジを一体化した3Dグラフを提案する。
論文 参考訳(メタデータ) (2023-11-29T23:31:40Z) - Correlation-aware Spatial-Temporal Graph Learning for Multivariate
Time-series Anomaly Detection [67.60791405198063]
時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。
CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。
新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
論文 参考訳(メタデータ) (2023-07-17T11:04:27Z) - Imbalanced Aircraft Data Anomaly Detection [103.01418862972564]
航空シナリオ下でのセンサーからの時間データの異常検出は実用的だが難しい課題である。
本稿では,グラフィカル・テンポラル・データ分析フレームワークを提案する。
シリーズ・トゥ・イメージ (S2I) と呼ばれる3つのモジュール、ユークリッド距離 (CRD) を用いたクラスタ・ベース・リサンプリング・アプローチ、変数・ベース・ロス (VBL) から構成される。
論文 参考訳(メタデータ) (2023-05-17T09:37:07Z) - A CNN-LSTM Architecture for Marine Vessel Track Association Using
Automatic Identification System (AIS) Data [2.094022863940315]
本研究では,トラックアソシエーションのための1次元CNN-LSTMアーキテクチャに基づくフレームワークを提案する。
提案した枠組みは、自動識別システム(AIS)を介して収集された船舶の位置と動きデータを入力とし、最も可能性の高い船舶軌道をリアルタイムで出力として返す。
論文 参考訳(メタデータ) (2023-03-24T15:26:49Z) - Time series anomaly detection with reconstruction-based state-space
models [10.085100442558828]
本稿では,時系列データに対する新しい教師なし異常検出手法を提案する。
長い短期記憶(LSTM)ベースのエンコーダデコーダを用いて観測空間と潜時空間のマッピングを行う。
潜在空間の正規化は、通常のサンプルの状態に制約を課し、マハラノビス距離を用いて異常レベルを評価する。
論文 参考訳(メタデータ) (2023-03-06T17:52:35Z) - Decoupling and Recoupling Spatiotemporal Representation for RGB-D-based
Motion Recognition [62.46544616232238]
従来の動作認識手法は、密結合した多時間表現によって有望な性能を実現している。
本稿では,RGB-D に基づく動作認識において引き起こされた表現を分離し,再分離することを提案する。
論文 参考訳(メタデータ) (2021-12-16T18:59:47Z) - STR-GODEs: Spatial-Temporal-Ridership Graph ODEs for Metro Ridership
Prediction [0.0]
我々はODEアルゴリズムをグラフネットワークに拡張し、時間的・時間的・ライダー間の相関関係をタイムライン上で等間隔に分割することなく学習する。
GODE-RNNセルにライダー情報とその隠蔽状態を付加し、予測の長時間連続による誤差蓄積を低減する。
論文 参考訳(メタデータ) (2021-07-11T06:29:20Z) - A Spatial-Temporal Attentive Network with Spatial Continuity for
Trajectory Prediction [74.00750936752418]
空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。
まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。
第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
論文 参考訳(メタデータ) (2020-03-13T04:35:50Z)
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。