×
法图马塔·达马;克莉丝汀·西诺奎特

部分隐马尔可夫链多元线性自回归模型：推理和预测——应用于机器健康预测。 （英语） Zbl 07694479号

机器。学习。 112，编号1，45-97（2023）.
概要：受制度变迁影响的时间序列在计量经济学、金融学或气象学等领域引起了极大的兴趣。对于离散值状态，诸如流行的隐马尔可夫链（HMC）等模型描述了状态过程为未知的在所有时间步长。有时，时间序列会被注释。因此，另一类模型用政权来处理这种情况观察在所有时间点。我们提出了一个新的模型来解决中间情况：（i）与此类时间序列相关的状态过程由部分隐马尔可夫链（PHMC）建模；（ii）多元线性自回归（MLAR）模型在每个状态内驱动时间序列的动力学。我们描述了用于PHMC-MLAR模型学习的期望最大化（EM）算法的变体。我们提出了一个隐状态推理过程和一个适用于半监督框架的预测函数。我们首先评估推理和预测性能，并使用模拟数据分析PHMC-MLAR的EM收敛时间。我们展示了使用部分观测状态以及带有不可靠标签的完全标签方案的优点，以减少EM收敛时间。我们强调了PHMC-MLAR在推理和预测任务中标记错误的鲁棒性。最后，使用NASA存储库中的涡扇发动机数据，我们表明PHMC-MLAR优于或大大优于其他模型：用于特征预测任务的PHMC和MSAR（Markov Switching AutoRegressive model），PHMC和用于预测机器可用剩余寿命的六种最新方法中的五种。

MSC公司：

68T05型 人工智能中的学习和自适应系统

关键词：

时间序列分析;自回归模型;制度转换模型;预测;隐藏状态推理;机器健康预测

软件：

国家公路管理局
PDF格式BibTeX公司 XML格式引用
\textit{F.Dama}和\textit{C.Sinoquet}，马赫。学习。112，编号1，45-97（2023；Zbl 07694479）
全文： 内政部
OA许可证

参考文献：

[1] 艾利奥特，P。；Monbet，V.，Markov-风时间序列的开关自回归模型，环境建模与软件，30，92-101（2012）
[2] 艾利奥特，P。；贝萨克，J。；蒙贝特，V。；Pene，F.，风时间序列的非齐次隐马尔科夫开关模型，《统计规划与推断杂志》，160，75-88（2015）·Zbl 1311.62189号
[3] Akaike，H.，统计模型识别的新视角，IEEE自动控制汇刊，19716-723（1974）·Zbl 0314.62039号
[4] 阿雷姆，OO；科迪，RA；海兰·伍德，D。；McAree，PR，预测性维护中基于相对熵的资产数据特征选择框架，计算机与工业工程，145106536（2020）
[5] 鲍姆，LE；Petrie，T。；索尔斯，G。；Weiss，N.，马尔可夫链概率函数统计分析中出现的最大化技术，《数理统计年鉴》，41，1，164-171（1970）·Zbl 0188.49603号
[6] Bauwens，L。；卡潘蒂尔，JF；Dufays，A.，自回归移动平均无限隐马尔科夫交换模型，《商业与经济统计杂志》，35，2，162-182（2017）
[7] 伯格，J。；Reckordt，T。；里希特，C。；Reinhart，G.，使用隐马尔可夫模型的人机协作装配中的动作识别，Procedia CIRP，76205-210（2018）
[8] Bergmeir，C。；RJ Hyndman；Benítez，JM，使用STL分解和Box-Cox变换的Bagging指数平滑方法，国际预测杂志，32，2，303-312（2016）
[9] 贝萨克，J。；艾利奥特，P。；Cattiaux，J。；Monbet，V.，东北大西洋风场（u，V）分量的隐藏和观测状态切换自回归模型的比较，统计气候学、气象学和海洋学进展，2，1，1-16（2016）
[10] 巴拉提，R。；Selvarani，R.，《带逻辑错误的软件可靠性估计的隐马尔可夫模型方法》，《国际自动化与计算杂志》，第17期，第305页（2020年）
[11] 盒子，GE；总经理Jenkins；重新安装，GC；GM Ljung，《时间序列分析：预测与控制》（2015），威利出版社
[12] 卡德纳斯·加洛，I。；桑切斯·席尔瓦，M。；Akhavan-Tabatabaei，R。；Bastidas-Arteaga，E.，描述厄尔尼诺-南方涛动（ENSO）模式的马尔可夫区域转换框架应用，自然灾害，81，2，829-843（2016）
[13] 克莱门茨议员；Krolzig，HM，《美国国民生产总值Markov开关和阈值自回归模型预测性能的比较》，《计量经济学杂志》，1，1，47-75（1998）·Zbl 07708412号
[14] Degtyarev，AB公司；Gankevich，I.，不规则波自回归模型的水动力压力评估，船舶稳定性的当代观点，37-47（2019），Springer
[15] 阿联酋登普斯特；新墨西哥州莱尔德；Rubin，DB，《通过EM算法从不完整数据中获取最大似然》，《皇家统计学会杂志：B辑（方法学）》，39，1，1-22（1977）·Zbl 0364.62022号
[16] 迪基，DA；华盛顿州富勒，单位根自回归时间序列估计量的分布，美国统计协会杂志，74，366，427-431（1979）·Zbl 0413.62075号
[17] Durand，J.B.（2003）。模型结构cachee：模型和应用的影响、选择。博士论文，格勒诺布尔1。（法语）
[18] Filardo，AJ，《商业周期阶段及其过渡动态》，《商业与经济统计杂志》，12，3，299-308（1994）
[19] 弗莱彻，C。；纳沃，P。；Allard，D。；Brisson，N.，《歪斜数据的随机每日天气生成器》，《水资源研究》，46，W07519（2010）
[20] Florez-Larrahondo，G.（2020年）。离散隐马尔可夫模型的增量学习。密西西比州立大学博士论文。
[21] Forney，GD，《维特比算法》，IEEE学报，61，3，268-278（1973）
[22] 福克斯，E。；Sudderth，E。；乔丹，M。；Willsky，A.，马尔可夫切换过程的贝叶斯非参数学习，IEEE信号处理杂志，27，6，43-54（2010）
[23] 福克斯，E。；苏德斯，E。；乔丹，M。；Willsky，A.，《粘性HDP-HMM与说话人日记应用》，《应用统计年鉴》，5，2，1020-1056（2011）·Zbl 1232.62077号
[24] 小加德纳；Everette，S.，《指数平滑：最新进展——第二部分》，《国际预测杂志》，22，4，637-666（2006）
[25] Ghahramani，Z.，《隐马尔可夫模型和贝叶斯网络简介》，《模式识别和人工智能国际期刊》，第15、1、9-42页（2001年）
[26] Ghasvarin Jahromi，K。；加拉维安，D。；Mahdiani，H.，一种基于隐马尔可夫模型和余弦相似性的日前太阳能预测新方法，软计算，24,74991-5004（2020）
[27] 哈密尔顿，JD，《非平稳时间序列和经济周期经济分析的新方法》，《计量经济学》，57357-384（1989）·Zbl 0685.62092号
[28] Hamilton，JD，《受制度变化影响的时间序列分析》，《计量经济学杂志》，45，1-2，39-70（1990）·Zbl 0723.62050号
[29] 贾维德，K。；Gouriveau，R。；Zerhouni，N.，基于极端学习机和模糊聚类的新型多元预测方法，IEEE控制论汇刊，45，12，2626-2639（2015）
[30] Juesas，P。；Ramasso，E.，《确定调整参数估计方法以提高对健康监测方法错误规定的鲁棒性》，机械系统和信号处理，81，387-401（2016）
[31] Kim，CJ，带Markov开关的动态线性模型，《计量经济学杂志》，60，1-22（1994）·Zbl 0795.62104号
[32] 柯尼格，S。；Simmons，RG，机器人导航概率模型的无监督学习，IEEE机器人与自动化国际会议论文集，IEEE，3，2301-2308（1996）
[33] Kuck，K。；Schweikert，K.，《原油市场一体化的马尔可夫状态转换模型》，《商品市场杂志》，6，16-31（2017）
[34] Kwiatkowski，D。；菲利普斯，PC；施密特，P。；Shin，Y.，针对单位根的替代性检验平稳性的零假设：我们如何确定经济时间序列有单位根？，《计量经济学杂志》，54，1-3，159-178（1992）·Zbl 0871.62100号
[35] Lhuissier，S.（2019年）。Markov-switching偏态自回归模型的贝叶斯推断。法国银行第726号工作文件。
[36] Li，K.，&Fu，Y.（2012）。ARMA-HMM：一种早期识别人类活动的新方法。在第21届国际模式识别大会（ICPR）上（第1779-1782页）。
[37] 林，P。；Goh，CK公司；Tan，KC；Dutta，P.，基于切换卡尔曼滤波器集成的多模态退化预测，IEEE神经网络和学习系统汇刊，28，1，136-148（2015）
[38] Michalek，S。；瓦格纳，M。；Timmer，J.，ARMA滤波隐马尔可夫模型的新近似似然估计，IEEE信号处理学报，48，6，1537-1547（2000）
[39] Morwal，S。；北加汉。；Chopra，D.，使用隐马尔可夫模型（HMM）进行命名实体识别，国际自然语言计算杂志（IJNLC），1，4，15-23（2012）
[40] Mouhcine，R。；穆斯塔法，A。；Zouhir，M.，基于HMM的嵌入式训练识别草书阿拉伯手写文本，《电气系统和信息技术杂志》，5，2，245-251（2018）
[41] Noman，F。；Alkawsi，G。；Alkahtani，AA；Al-Shetwi，AQ；SK Tiong；北阿尔旺。；Ekanayake，J。；Alzahrani，AI，使用带有外生变量选择的非线性自回归神经网络进行多步短期风速预测，亚历山大工程杂志，60，1221-1229（2020）
[42] 菲利普斯，PC；Perron，P.，《时间序列回归中单位根的测试》，《生物统计学》，75，2，335-346（1988）·Zbl 0644.62094号
[43] Pinto，C。；Spezia，L.，马尔可夫转换自回归模型，用于解释垂直运动数据，并应用于濒危海洋顶端捕食者，生态学和进化方法（2015）·doi:10.1111/2041-210X12494
[44] J.波勒。；兰洛克，R。；范·比斯特，F。；Schmidt，N.，《选择隐马尔可夫模型中的状态数：使用动物运动说明的实用解决方案》，《农业、生物和环境统计杂志》，22，3，270-293（2017）·Zbl 1388.62349号
[45] Psaradakis，Z。；Spagnolo，N.，《关于确定马尔科夫切换自回归模型中的状态数》，《时间序列分析杂志》，24，2，237-252（2003）·Zbl 1112.62101号
[46] Psaradakis，Z。；Spagnolo，N.，马尔可夫状态切换模型状态维和自回归阶的联合确定，时间序列分析杂志，27，5，753-766（2006）·兹比尔1112.62100
[47] Ramasso，E.，《失效预测的计算几何研究》，《国际预测与健康管理杂志》，5，1，005（2014）
[48] Ramasso，E.（2016）。将CMAPSS健康指标分割为离散状态，用于基于序列的分类和预测。技术代表，6839，FEMTO-ST Institute。
[49] 拉马索，E。；Denoeux，T.，利用HMM中隐藏状态的部分知识：基于信念函数的方法，IEEE模糊系统事务，22，2，395-405（2013）
[50] Sateesh Babu，G.、Zhao，P.和Li，X.（2016）。基于深度卷积神经网络的剩余使用寿命估计回归方法。高级应用数据库系统国际会议（第214-228页）。
[51] Saxena，A.、Goebel，K.、Simon，D.和Eklund，N.（2008）。飞机发动机运行至失效模拟的损伤传播建模。在国际预测与健康管理会议上（第1-9页）。
[52] Scheffer，T.和Wrobel，S.（2001年）。部分隐马尔可夫模型的主动学习。在ECML/PKDD实例选择研讨会的会议记录中·Zbl 1029.68887号
[53] Schuller，B.、Rigoll，G.和Lang，M.（2003年）。基于隐马尔可夫模型的语音情感识别。IEEE多媒体与博览会国际会议（ICME）（第401-404页）。
[54] Schwarz，G.，估算模型的维度，《统计年鉴》，第6461-464页（1978年）·Zbl 0379.62005年
[55] A.史密斯。；Naik，P。；Tsai，CL，Markov-利用Kullback-Leibler散度进行切换模型选择，《计量经济学杂志》，134,2553-577（2006）·Zbl 1418.62537号
[56] 乌比拉瓦，D。；Helmers，CG，用平稳过渡自回归模型预测ENSO，环境建模与软件，40，181-190（2013）
[57] 王，P。；Wang，H。；Yan，R.，使用改进的交叉递归量化分析和非线性自回归神经网络进行轴承退化评估，IEEE Access，738937-38946（2019）
[58] Wang，T.、Yu，J.、Siegel，D.和Lee，J.（2008）。工程系统剩余使用寿命估算的基于相似性的预测方法。在国际预测和健康管理会议上（第1-6页）。
[59] Wold，H.，平稳时间序列分析研究（1954），Almqvist和Wiksell Book Co。
[60] Wu，Y。；袁，M。；Dong，S。；林，L。；Liu，Y.，使用vanilla LSTM神经网络估算工程系统的剩余使用寿命，神经计算，275167-179（2018）
[61] Yu，L。；周，L。；Tan，L。；姜浩。；Wang，Y。；Wei，S。；Nie，S.，季节性自回归综合移动平均（ARIMA）和非线性自回归神经网络（NARNN）的新型混合模型在中国深圳手足口病发病率预测中的应用，PLoS ONE，9，6，e98241（2014）
[62] 赵，S。；Zhang，Y。；王，S。；周，B。；Cheng，C.，利用新型趋势特征构建方法预测剩余使用寿命的递归神经网络方法，Measurement，146279-288（2019）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。