論文の概要: Multivariate time-series forecasting of ASTRI-Horn monitoring data: A Normal Behavior Model

• arxiv url: http://arxiv.org/abs/2602.19984v1
• Date: Mon, 23 Feb 2026 15:51:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.890272
• Title: Multivariate time-series forecasting of ASTRI-Horn monitoring data: A Normal Behavior Model
• Title（参考訳）: ASTRI-Hornモニタリングデータの多変量時系列予測:正規行動モデル
• Authors: Federico Incardona, Alessandro Costa, Farida Farsian, Francesco Franchina, Giuseppe Leto, Emilio Mastriani, Kevin Munari, Giovanni Pareschi, Salvatore Scuderi, Sebastiano Spinello, Gino Tosti,
• Abstract要約: この分析は、望遠鏡制御ユニットが2022年9月から2024年7月までに取得した15の物理変数に焦点を当てた。 このモデルは、異なる機能とI-T構成で一貫した結果を示した。 提案したNBMは,オンラインASTRI-Horn監視時系列における早期異常検出を可能にする強力なツールを提供する。
• 参考スコア（独自算出の注目度）: 29.749836788447226
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study presents a Normal Behavior Model (NBM) developed to forecast monitoring time-series data from the ASTRI-Horn Cherenkov telescope under normal operating conditions. The analysis focused on 15 physical variables acquired by the Telescope Control Unit between September 2022 and July 2024, representing sensor measurements from the Azimuth and Elevation motors. After data cleaning, resampling, feature selection, and correlation analysis, the dataset was segmented into fixed-length intervals, in which the first I samples represented the input sequence provided to the model, while the forecast length, T, indicated the number of future time steps to be predicted. A sliding-window technique was then applied to increase the number of intervals. A Multi-Layer Perceptron (MLP) was trained to perform multivariate forecasting across all features simultaneously. Model performance was evaluated using the Mean Squared Error (MSE) and the Normalized Median Absolute Deviation (NMAD), and it was also benchmarked against a Long Short-Term Memory (LSTM) network. The MLP model demonstrated consistent results across different features and I-T configurations, and matched the performance of the LSTM while converging faster. It achieved an MSE of 0.019+/-0.003 and an NMAD of 0.032+/-0.009 on the test set under its best configuration (4 hidden layers, 720 units per layer, and I-T lengths of 300 samples each, corresponding to 5 hours at 1-minute resolution). Extending the forecast horizon up to 6.5 hours-the maximum allowed by this configuration-did not degrade performance, confirming the model's effectiveness in providing reliable hour-scale predictions. The proposed NBM provides a powerful tool for enabling early anomaly detection in online ASTRI-Horn monitoring time series, offering a basis for the future development of a prognostics and health management system that supports predictive maintenance.
• Abstract（参考訳）: 本研究では,ASTRI-Horn Cherenkov望遠鏡からの観測時系列データを正常動作下で予測するために開発された正常行動モデル(NBM)を提案する。 この分析は、2022年9月から2024年7月までに望遠鏡制御ユニットが取得した15の物理変数に焦点を合わせ、アジマスとエレベーションのモーターからのセンサーの測定を表現した。 データクリーニング、再サンプリング、特徴選択、相関分析の後、データセットを固定長間隔に分割し、最初のIサンプルはモデルに提供された入力シーケンスを表現し、予測長Tは予測すべき将来の時間ステップの数を示した。 次に、間隔を増やすためにスライドウインドウ法を適用した。 MLP(Multi-Layer Perceptron)は、すべての機能を同時に多変量予測するために訓練された。 モデル性能を平均二乗誤差(MSE)と正規化メディア絶対偏差(NMAD)を用いて評価し,Long Short-Term Memory(LSTM)ネットワークと比較した。 MLPモデルは、異なる特徴とI-T構成で一貫した結果を示し、より高速に収束しながらLSTMの性能と一致した。 MSEは0.019+/-0.003、NMADは0.032+/-0.009を最高設定で達成した(1層あたり4層、720ユニット、I-Tの長さはそれぞれ300サンプルで、1分間の解像度で5時間)。 この構成で許容される最大6.5時間まで予測の地平線を拡張することは性能を低下させず、信頼性のある時間スケールの予測を提供することによるモデルの有効性を確認した。 提案したNBMは、オンラインASTRI-Horn監視時系列における早期異常検出を可能にする強力なツールを提供する。

関連論文リスト

• Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking [51.56484100374058]
  我々は、完全に自動で純粋にフィードバック駆動のESNが、広く使われている統計的予測手法の代替となるかどうかを評価する。 予測精度は、MASEとsMAPEを用いて測定され、ドリフトや季節予測、統計モデルといった単純なベンチマークと比較される。
  論文  参考訳（メタデータ） (2026-02-03T16:01:22Z)
• LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
  Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。 本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。 本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
  論文  参考訳（メタデータ） (2026-01-18T12:08:38Z)
• FRIREN: Beyond Trajectories -- A Spectral Lens on Time [1.5939955861266883]
  長期時系列予測モデルは、ドメインにまたがって適用可能な汎用的なソリューションとしてしばしば提示される。 幾何学的構造は動的に依存しない基礎モデルの正しい抽象化であると主張する。 現代の生成フローと古典的なスペクトル分析を結びつけることで、FRIRENは正確かつ解釈可能な長期的な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:52:13Z)
• Output Scaling: YingLong-Delayed Chain of Thought in a Large Pretrained Time Series Forecasting Model [55.25659103706409]
  このフレームワークは,設計した基盤モデルであるYingLongの最先端性能を実現する。 YingLongは、マスク付きトークンリカバリによってトレーニングされた非因果的双方向アテンションエンコーダのみのトランスフォーマーである。 我々は、6Mから3Mパラメータの4つの基礎モデルをリリースし、ゼロショットタスクにおいて優れた結果を示す。
  論文  参考訳（メタデータ） (2025-05-20T14:31:06Z)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• Multiscale Spatio-Temporal Graph Neural Networks for 3D Skeleton-Based Motion Prediction [92.16318571149553]
  本稿では,次世代の3次元骨格型人間のポーズを予測するため,マルチスケール・テンポラルグラフニューラルネットワーク(MST-GNN)を提案する。 MST-GNNは、短期および長期の動作予測において最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-08-25T14:05:37Z)
• Time Series Analysis and Forecasting of COVID-19 Cases Using LSTM and ARIMA Models [4.56877715768796]
  世界保健機関(WHO)が世界的な公衆衛生危機を宣言している。 本研究では,いくつかのLong Short-Term Memory(LSTM)モデルとAuto-Regressive Integrated Integrated Average(ARIMA)モデルを用いて,新型コロナウイルス感染者数の予測を行った。
  論文  参考訳（メタデータ） (2020-06-05T20:07:48Z)

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。