論文の概要: A Machine Learning-based Algorithm for Automated Detection of
Frequency-based Events in Recorded Time Series of Sensor Data
- arxiv url: http://arxiv.org/abs/2310.10841v1
- Date: Mon, 16 Oct 2023 21:35:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-18 18:44:28.625087
- Title: A Machine Learning-based Algorithm for Automated Detection of
Frequency-based Events in Recorded Time Series of Sensor Data
- Title（参考訳）: センサデータ記録時系列における周波数に基づく事象の自動検出のための機械学習アルゴリズム
- Authors: Bahareh Medghalchi, Andreas Vogel
- Abstract要約: 本研究では,時系列データ中の周波数に基づく事象を識別する新しい事象検出手法を提案する。
時系列データを解析するためには、訓練対象検出モデルを用いて頭蓋骨内にイベントを検出することができる。
このアルゴリズムは未知のデータセットに基づいて評価され、イベント検出の精度は0.97である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated event detection has emerged as one of the fundamental practices to
monitor the behavior of technical systems by means of sensor data. In the
automotive industry, these methods are in high demand for tracing events in
time series data. For assessing the active vehicle safety systems, a diverse
range of driving scenarios is conducted. These scenarios involve the recording
of the vehicle's behavior using external sensors, enabling the evaluation of
operational performance. In such setting, automated detection methods not only
accelerate but also standardize and objectify the evaluation by avoiding
subjective, human-based appraisals in the data inspection. This work proposes a
novel event detection method that allows to identify frequency-based events in
time series data. To this aim, the time series data is mapped to
representations in the time-frequency domain, known as scalograms. After
filtering scalograms to enhance relevant parts of the signal, an object
detection model is trained to detect the desired event objects in the
scalograms. For the analysis of unseen time series data, events can be detected
in their scalograms with the trained object detection model and are thereafter
mapped back to the time series data to mark the corresponding time interval.
The algorithm, evaluated on unseen datasets, achieves a precision rate of 0.97
in event detection, providing sharp time interval boundaries whose accurate
indication by human visual inspection is challenging. Incorporating this method
into the vehicle development process enhances the accuracy and reliability of
event detection, which holds major importance for rapid testing analysis.
- Abstract（参考訳）: 自動イベント検出は,センサデータを用いた技術システムの挙動監視の基本的な手法の1つである。
自動車業界では、これらの手法は時系列データでイベントを追跡する需要が高い。
車両の安全システムを評価するため、様々な運転シナリオが実施されている。
これらのシナリオでは、外部センサーを使用して車両の挙動を記録し、運用性能の評価を可能にする。
このような状況下では、自動検出手法は、データ検査における主観的、人間に基づく評価を回避し、評価を標準化し、客観化する。
本研究では,時系列データ中の周波数に基づくイベントを識別する新しいイベント検出手法を提案する。
この目的のために、時系列データは、スカルグラムとして知られる時間周波数領域の表現にマッピングされる。
信号の関連部分を強化するためにスカルグラムをフィルタリングした後、対象検出モデルを訓練して、スカルグラム内の所望のイベントオブジェクトを検出する。
未発見の時系列データの解析には、訓練対象検出モデルを用いて、それらのスカルグラム内でイベントを検出でき、その後、時系列データにマッピングして対応する時間間隔をマークする。
このアルゴリズムは、未知のデータセットで評価され、イベント検出において0.97の精度を実現し、人間の視覚検査による正確な指示が難しい鋭い時間間隔境界を提供する。
この手法を車両開発プロセスに組み込むことで、迅速なテスト分析において重要なイベント検出の精度と信頼性が向上する。
関連論文リスト
- Event Detection via Probability Density Function Regression [0.0]
本研究では、時間間隔定義イベント検出問題を再編成する一般化回帰に基づく手法を提案する。
コンピュータビジョンからの熱マップ回帰技術にインスパイアされた本手法は,事象発生時の確率密度を予測することを目的としている。
回帰に基づくアプローチは,様々な最先端のベースラインネットワークやデータセットのセグメンテーションに基づく手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-08-23T01:58:56Z) - Deployment Prior Injection for Run-time Calibratable Object Detection [58.636806402337776]
検出器に追加のグラフ入力を導入し、事前にグラフが配置コンテキストを表す。
テストフェーズでは、事前に適切なデプロイメントコンテキストをグラフ編集を通じて検出器に注入することができる。
事前の配置が分かっていない場合でも、検出器は独自の予測を用いて、事前に近似した配置を用いて自己校正を行うことができる。
論文 参考訳（メタデータ） (2024-02-27T04:56:04Z) - 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) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - SoftED: Metrics for Soft Evaluation of Time Series Event Detection [4.139895427110409]
時系列イベント検出法は,検出精度にのみ焦点をあてた標準分類基準によって評価される。
事象を検出する不正確さは、しばしば、隣り合う検出に反映される先行または遅延効果によって生じる。
本稿では,イベント検出手法のソフトアセスメントのために設計された,新しいメトリクスセットであるSoftEDメトリクスを紹介する。
論文 参考訳（メタデータ） (2023-04-02T03:27:31Z) - PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。
我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2023-01-25T16:34:43Z) - A data-centric weak supervised learning for highway traffic incident
detection [1.0323063834827415]
我々は、高速道路における交通事故検出の誤報率を低減し、精度を向上させるために、データ中心のアプローチに焦点を当てる。
我々は,インシデントデータに対する高品質なトレーニングラベルを生成するために,基礎的真理ラベルを使わずに,弱教師付き学習ワークフローを開発する。
提案した弱教師付き学習ワークフローは,高い事故検出率 (0.90) と低い誤警報率 (0.08) を達成することを示す。
論文 参考訳（メタデータ） (2021-12-17T22:14:47Z) - Self-supervised Pretraining with Classification Labels for Temporal
Activity Detection [54.366236719520565]
時間的アクティビティ検出は、1フレーム当たりのアクティビティクラスを予測することを目的としている。
検出に必要なフレームレベルのアノテーションが高価なため、検出データセットの規模は限られている。
本研究では,分類ラベルを利用した自己教師付き事前学習手法を提案する。
論文 参考訳（メタデータ） (2021-11-26T18:59:28Z) - 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) - Automatic Detection of Major Freeway Congestion Events Using Wireless
Traffic Sensor Data: A Machine Learning Approach [0.0]
本稿では,高速道路交通渋滞事象の確実な検出と特徴付けのための機械学習に基づくアプローチを提案する。
速度データは最初10時間のスライディングウィンドウでタイムウインドウされ、3つのニューラルネットワークに入力される。
スライディングウィンドウは、各スローダウンイベントを複数回キャプチャし、渋滞検出の信頼性を高める。
論文 参考訳（メタデータ） (2020-07-09T21:38:45Z) - An Intelligent and Time-Efficient DDoS Identification Framework for
Real-Time Enterprise Networks SAD-F: Spark Based Anomaly Detection Framework [0.5811502603310248]
我々は、異なる機械学習技術を用いたDDoS異常検出のためのセキュリティ解析技術について検討する。
本稿では,システムへの入力として実際のトラフィックを扱う新しいアプローチを提案する。
提案するフレームワークの性能要因を3つの異なるテストベッドで検討・比較する。
論文 参考訳（メタデータ） (2020-01-21T06:05:48Z)
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。