在铁路传感器数据环境中检测异常:最先进的方法和实证性能评估

科学领域:

• 铁路工程 铁路工程是指铁路工程.
• 数据科学数据科学数据科学
• 机器学习 机器学习

背景情况:

• 铁路异常检测对于安全和效率至关重要.
• 挑战包括庞大的基础设施,动态条件和环境因素.
• 实时分析,物联网和机器学习的进步是关键.

研究的目的:

• 确定铁路传感器数据的时间序列异常检测方法.
• 分析这些方法的优缺点.
• 评估所选机器学习技术的有效性.

主要方法:

• 按照既定指导方针进行系统的文献审查.
• 控制实验调查机器学习方法的有效性.
• 五倍交叉验证用于评估预测性能的性能.

主要成果:

• CatBoost实现了96%的准确性,随机森林达到91%,XGBoost达到90%.
• 一类支向量机 (48%),局部异常因素 (53%) 和隔离森林 (55%) 的准确性较低.
• 确定了用于铁路异常检测的高性能算法.

结论:

• 机器学习,特别是梯度增强方法,显示出铁路异常检测的巨大潜力.
• 进一步的研究应该探索更丰富的数据集和超参数优化.
• 改进检测方法对于实现零缺陷的铁路系统至关重要.