Harnessing Event Sensory Data for Error Pattern Prediction in Vehicles: A Language Model Approach

要約

この論文では、自然言語の処理と車両からの多変量イベント ストリームの処理を類似させて、$\textit{when}$ および $\textit{what}$ のエラー パターンが将来発生する可能性が最も高いものを予測します。
与えられた車。
私たちのアプローチは、車両群からのイベント データの時間的ダイナミクスとコンテキスト上の関係を活用しています。
イベントデータは、エラーコードの離散値と時間や走行距離などの連続値で構成されます。
2 つの因果関係のあるトランスフォーマーによってモデル化されているため、車両の故障や誤動作を事前に予測できます。
したがって、新しい自己教師あり学習戦略によってトレーニングされた Transformer モデルである $\textit{CarFormer}$ と、$\textit{when}$ と
$\textit{what}$ エラー パターンは、何らかのエラー コードが出現した後に発生する可能性が高くなります。
イベント タイプのカーディナリティの高さ、出現頻度の不均衡、およびラベル付きデータの制限という課題にもかかわらず、実験結果は、新しいモデルの優れた予測能力を示しています。
具体的には、平均 $160$ のエラー コードのシーケンスで、モデルはエラー コードの半分だけで $\textit{what}$ エラー パターンが発生することを予測するための $80\%$ F1 スコアを達成し、平均絶対エラーを達成できます。
$58.4 \pm 13.2$h $\textit{when}$ は発生時刻を予測するため、確実な予知保全が可能になり、車両の安全性が向上します。

要約(オリジナル)

In this paper, we draw an analogy between processing natural languages and processing multivariate event streams from vehicles in order to predict $\textit{when}$ and $\textit{what}$ error pattern is most likely to occur in the future for a given car. Our approach leverages the temporal dynamics and contextual relationships of our event data from a fleet of cars. Event data is composed of discrete values of error codes as well as continuous values such as time and mileage. Modelled by two causal Transformers, we can anticipate vehicle failures and malfunctions before they happen. Thus, we introduce $\textit{CarFormer}$, a Transformer model trained via a new self-supervised learning strategy, and $\textit{EPredictor}$, an autoregressive Transformer decoder model capable of predicting $\textit{when}$ and $\textit{what}$ error pattern will most likely occur after some error code apparition. Despite the challenges of high cardinality of event types, their unbalanced frequency of appearance and limited labelled data, our experimental results demonstrate the excellent predictive ability of our novel model. Specifically, with sequences of $160$ error codes on average, our model is able with only half of the error codes to achieve $80\%$ F1 score for predicting $\textit{what}$ error pattern will occur and achieves an average absolute error of $58.4 \pm 13.2$h $\textit{when}$ forecasting the time of occurrence, thus enabling confident predictive maintenance and enhancing vehicle safety.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google