該方法在隨時間推移收集的測量中發現隱藏的警告信號

當您負責以每小時數千英里的速度飛越太空的價值數百萬美元的衛星時，您需要確保其運行順暢。時間序列可以提供幫助。

時間序列只是隨時間重復進行的測量的記錄。它可以跟蹤系統的長期趨勢和短期變化和自1958年以來一直跟蹤大氣中二氧化碳濃度的Keeling曲線。在大數據時代，“從衛星到渦輪的整個地方都收集了時間序列”。 Kalyan Veeramachaneni。“所有這些機器都有傳感器，可以收集這些時間序列的運行情況。”

但是，分析這些時間序列并標記其中的異常數據點可能很棘手。數據可能很嘈雜。如果衛星運營商看到一連串的高溫讀數，他們怎么知道這是無害的波動還是衛星即將過熱的跡象?

Veeramachaneni希望解決這個問題，他是MIT信息與決策系統實驗室的Data-to-AI小組的負責人。該小組開發了一種新的基于深度學習的方法來標記時間序列數據中的異常。他們的方法稱為TadGAN，其性能優于競爭對手的方法，可以幫助運營商發現并應對一系列高價值系統的重大變化，這些變化包括從太空飛行的衛星到地下室嗡嗡作響的計算機服務器農場。

這項研究將在本月的IEEE BigData會議上進行。該論文的作者包括Data-to-AI小組成員Veeramachaneni，博士后Liu Dongyu，訪問研究的學生Alexander Geiger和碩士研究生Sarah Alnegheimish，以及西班牙雷安·胡安·卡洛斯大學的Alfredo Cuesta-Infante。

高額賭注

對于像衛星這樣復雜的系統，時間序列分析必須是自動化的。與Veeramachaneni合作的衛星公司SES，從其通信衛星接收大量時間序列-每個航天器約30,000個唯一參數。SES的控制室中的人工操作員只能在屏幕上眨眼時跟蹤這些時間序列的一小部分。對于其他情況，他們依靠警報系統來標記超出范圍的值。Veeramachaneni說：“所以他們對我們說：“您能做得更好嗎?”該公司希望他的團隊使用深度學習來分析所有這些時間序列并標記任何異常行為。