Explainable AI for Multivariate Time Series Pattern Exploration: Latent Space Visual Analytics with Time Fusion Transformer and Variational Autoencoders in Power Grid Event Diagnosis

要約

多変量時系列データの複雑なパターンを検出して分析することは、都市および環境システムの運用における意思決定にとって重要です。
しかし、複雑なパターンの高次元性、複雑さ、相互接続の性質から課題が生じ、その根底にある物理プロセスの理解を妨げています。
既存の AI 手法は、多くの場合、解釈可能性、計算効率、スケーラビリティの制限に直面しており、現実世界のシナリオへの適用性が低下しています。
この論文では、タイム フュージョン トランスフォーマー (TFT) と変分オートエンコーダー (VAE) という 2 つの生成 AI モデルを統合し、複雑なパターンを低次元の潜在空間に還元し、PCA などの次元削減技術を使用して 2D で視覚化する、新しいビジュアル分析フレームワークを提案します。
、t-SNE、および DBSCAN を使用した UMAP。
これらのビジュアライゼーションは、調整されたインタラクティブなビューとカスタマイズされたグリフを通じて表示され、複雑な多変量時間パターンの直感的な探索を可能にし、パターンの類似性を特定し、それらの潜在的な相関関係を明らかにして、AI 出力の解釈可能性を高めます。
このフレームワークは、電力網信号データのケース スタディを通じて実証され、さまざまな根本原因による障害や異常を含む、マルチラベルのグリッド イベント シグネチャを特定します。
さらに、モデルを検証し、さまざまな構成の下で TFT と VAE によって生成された潜在マップのパフォーマンス、効率、一貫性を評価するために、新しいメトリクスと視覚化が導入されています。
これらの分析は、モデル パラメーターの調整と信頼性の向上のための実用的な洞察を提供します。
比較結果は、VAE と比較して、TFT が実行時間の短縮と、多様な時系列データ形状に対する優れたスケーラビリティを実現していることを強調しています。
この取り組みにより、多変量時系列での障害診断が進歩し、重要なシステム運用をサポートする説明可能な AI が育成されます。

要約(オリジナル)

Detecting and analyzing complex patterns in multivariate time-series data is crucial for decision-making in urban and environmental system operations. However, challenges arise from the high dimensionality, intricate complexity, and interconnected nature of complex patterns, which hinder the understanding of their underlying physical processes. Existing AI methods often face limitations in interpretability, computational efficiency, and scalability, reducing their applicability in real-world scenarios. This paper proposes a novel visual analytics framework that integrates two generative AI models, Time Fusion Transformer (TFT) and Variational Autoencoders (VAEs), to reduce complex patterns into lower-dimensional latent spaces and visualize them in 2D using dimensionality reduction techniques such as PCA, t-SNE, and UMAP with DBSCAN. These visualizations, presented through coordinated and interactive views and tailored glyphs, enable intuitive exploration of complex multivariate temporal patterns, identifying patterns’ similarities and uncover their potential correlations for a better interpretability of the AI outputs. The framework is demonstrated through a case study on power grid signal data, where it identifies multi-label grid event signatures, including faults and anomalies with diverse root causes. Additionally, novel metrics and visualizations are introduced to validate the models and evaluate the performance, efficiency, and consistency of latent maps generated by TFT and VAE under different configurations. These analyses provide actionable insights for model parameter tuning and reliability improvements. Comparative results highlight that TFT achieves shorter run times and superior scalability to diverse time-series data shapes compared to VAE. This work advances fault diagnosis in multivariate time series, fostering explainable AI to support critical system operations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google