論文の概要: Real-Time Event Detection with Random Forests and Temporal Convolutional
Networks for More Sustainable Petroleum Industry
- arxiv url: http://arxiv.org/abs/2310.08737v1
- Date: Thu, 12 Oct 2023 21:50:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-16 15:33:51.050904
- Title: Real-Time Event Detection with Random Forests and Temporal Convolutional
Networks for More Sustainable Petroleum Industry
- Title(参考訳): 持続可能な石油産業のためのランダム森林と時間畳み込みネットワークを用いたリアルタイムイベント検出
- Authors: Yuanwei Qu, Baifan Zhou, Arild Waaler, David Cameron
- Abstract要約: 石油産業は現代社会にとって不可欠であるが、生産プロセスは複雑で危険である。
好ましくない生産イベントは 環境と経済に深刻なダメージを与えます
従来の研究では、望ましくない事象検出のための機械学習(ML)手法が研究されている。
本稿では,ランダムな森林と時間的畳み込みネットワークという2つのML手法を用いて,望ましくない事象をリアルタイムに検出する手法を提案する。
- 参考スコア(独自算出の注目度): 1.9370374882811083
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The petroleum industry is crucial for modern society, but the production
process is complex and risky. During the production, accidents or failures,
resulting from undesired production events, can cause severe environmental and
economic damage. Previous studies have investigated machine learning (ML)
methods for undesired event detection. However, the prediction of event
probability in real-time was insufficiently addressed, which is essential since
it is important to undertake early intervention when an event is expected to
happen. This paper proposes two ML approaches, random forests and temporal
convolutional networks, to detect undesired events in real-time. Results show
that our approaches can effectively classify event types and predict the
probability of their appearance, addressing the challenges uncovered in
previous studies and providing a more effective solution for failure event
management during the production.
- Abstract(参考訳): 石油産業は現代社会にとって重要であるが、生産プロセスは複雑で危険である。
生産中、望ましくない生産イベントによる事故や失敗は、環境や経済に深刻なダメージを与える可能性がある。
従来の研究では、望ましくない事象検出のための機械学習(ML)手法が研究されている。
しかし,イベント発生を想定した早期介入が重要であるため,リアルタイムの事象確率の予測が不十分であった。
本稿では,ランダムな森林と時間的畳み込みネットワークの2つのML手法を提案する。
その結果,本手法はイベントタイプを効果的に分類し,その出現確率を予測し,過去の研究で明らかになった課題に対処し,生産中の障害イベント管理に有効なソリューションを提供する。
関連論文リスト
- Detecting Anomalous Events in Object-centric Business Processes via
Graph Neural Networks [55.583478485027]
本研究では,ビジネスプロセスにおける異常検出のための新しいフレームワークを提案する。
まず、属性グラフとしてオブジェクト中心のイベントログのプロセス依存性を再構築する。
次に、異常事象を検出するために、グラフ畳み込みオートエンコーダアーキテクチャを用いる。
論文 参考訳(メタデータ) (2024-02-14T14:17:56Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳(メタデータ) (2023-10-09T18:34:29Z) - Understanding the Impact of Competing Events on Heterogeneous Treatment
Effect Estimation from Time-to-Event Data [92.51773744318119]
本研究では,競合イベントの存在下での時間-時間データからヘテロジニアス処理効果(HTE)を推定する問題について検討する。
提案手法は,HTEを推定するための結果モデリング手法であり,既存の時間-時間データの予測モデルを,将来的な結果のプラグイン推定手段としてどのように利用できるかを検討する。
HTEの推定に汎用的な機械学習予測モデルを使用する場合、これらの課題がいつどのように機能するかを理論的に分析し、実証的に説明する。
論文 参考訳(メタデータ) (2023-02-23T14:28:55Z) - Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。
電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。
本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
論文 参考訳(メタデータ) (2022-08-31T18:19:25Z) - Modeling Continuous Time Sequences with Intermittent Observations using
Marked Temporal Point Processes [25.074394338483575]
人間の活動を通じて生成された大量のデータは、連続した時間のイベントのシーケンスとして表現することができる。
これらの連続的なイベントシーケンスに対するディープラーニングモデルは、非自明なタスクである。
本研究では,イベントシーケンスが欠落している場合にMTPPを学習するための新しい教師なしモデルと推論手法を提案する。
論文 参考訳(メタデータ) (2022-06-23T18:23:20Z) - Bayesian Neural Hawkes Process for Event Uncertainty Prediction [0.2148535041822524]
発生時刻を予測するモデルは、ソーシャルネットワーク、金融取引、ヘルスケア、人間の移動といった様々なアプリケーションにおいて重要な役割を果たす。
最近の研究は、イベントタイムをモデル化するためのニューラルネットワークベースのポイントプロセスを導入し、イベントタイムの予測に最先端のパフォーマンスを提供することを示した。
本稿では,ベイジアンモデルの不確実性モデリング能力とニューラルネットワークの一般化能力を利用する,新しい点過程モデルベイジアン・ニューラルホークス法を提案する。
論文 参考訳(メタデータ) (2021-12-29T09:47:22Z) - A Survey on Societal Event Forecasting with Deep Learning [12.343312954353639]
我々は、社会的出来事の2つの領域(textitcivil unrestとtextitcrime)に焦点を当てる。
まず、機械学習予測タスクとしてイベント予測問題を定式化する方法を紹介し、次に、データリソース、従来の手法、そしてこれらの問題に対する最近のディープラーニングモデルの開発について要約する。
論文 参考訳(メタデータ) (2021-12-12T22:57:22Z) - Causal Knowledge Guided Societal Event Forecasting [24.437437565689393]
本稿では,因果効果推定をイベント予測に組み込むディープラーニングフレームワークを提案する。
機能再重み付けモジュールと近似損失を含む2つの頑健な学習モジュールを導入し、事前の知識注入を可能にする。
論文 参考訳(メタデータ) (2021-12-10T17:41:02Z) - Robust Event Classification Using Imperfect Real-world PMU Data [58.26737360525643]
本研究では,不完全な実世界のファサー計測単位(PMU)データを用いて,ロバストな事象分類について検討する。
我々は、堅牢なイベント分類器を訓練するための新しい機械学習フレームワークを開発する。
論文 参考訳(メタデータ) (2021-10-19T17:41:43Z) - Event-Related Bias Removal for Real-time Disaster Events [67.2965372987723]
ソーシャルメディアは、自然災害や大量攻撃などの危機事象に関する情報を共有する重要なツールとなっている。
有用な情報を含む実行可能なポストを検出するには、大量のデータをリアルタイムに高速に分析する必要がある。
我々は、潜在事象固有のバイアスを除去し、ツイート重要度分類の性能を向上させるために、敵対的ニューラルモデルを訓練する。
論文 参考訳(メタデータ) (2020-11-02T02:03:07Z) - Neural Conditional Event Time Models [11.920908437656413]
イベント時間モデルは、既知の特徴に基づいて、関心のあるイベントの発生時間を予測する。
我々は,a)事象発生確率,b)発生予測時刻を区別する条件付き事象時刻モデルを開発する。
その結果, 合成データ, 医療イベント (MIMIC-III) , ソーシャルメディア投稿において, イベント発生およびイベント時間予測の精度が向上した。
論文 参考訳(メタデータ) (2020-04-03T05:08:13Z)
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。