Promotie: Multivariate Time Series Pattern Search

Dit proefschrift richt zich op het onderwerp (visueel) patroonzoeken in multivariate tijdreeksen. Voor dit onderwerp hebben we nauwkeurige, efficiënte en interpreteerbare algoritmen ontwikkeld en tools ontworpen voor gebruikers in het domein. Traditionele methoden zijn primair ontworpen voor het zoeken naar univariate tijdreekspatronen met relatief onderscheidende en ondubbelzinnige doelpatronen. Het is mogelijk dat ze niet van nature toepasbaar zijn op multivariate gevallen en hun prestaties kunnen aanzienlijk verslechteren in de aanwezigheid van vervormingen. Als ze gebaseerd zijn op machinaal leren, worden conventionele technieken inefficiënt en oninterpreteerbaar en kan de opvraagnauwkeurigheid stagneren.

Omdat het onwaarschijnlijk is dat een enkele tool geschikt is voor alle gebruikssituaties, hebben we een gereedschapskist met meerdere methoden voorgesteld, waaronder 1) een schaalbare, stuurbare en interpreteerbare hashing-gebaseerde representatie voor het zoeken naar patronen, vooral in zeer hoog-dimensionale tijdreeksen; 2) een efficiënte techniek voor het vastleggen van verschillende patroonvervormingen, met name tijdsverschuivingen tussen sporen; 3) een nauwkeurigheidsgericht modelagnostisch, op machine-learning gebaseerd raamwerk dat tegelijkertijd nauwkeuriger en efficiënter is dan het gangbare, op machine-learning gebaseerde patroonzoekraamwerk; en 4) een verbetering van gebruikersfeedback voor active learning-gebaseerd, feedback-gestuurd patroonzoeken dat streeft naar de hoogst mogelijke zoeknauwkeurigheid.

Al onze voorgestelde algoritmen en hulpmiddelen werken in multivariate gevallen en sommige hebben zelfs een voorkeur. Uitgebreide experimenten verifieerden de bovengenoemde voordelen met betrekking tot nauwkeurigheid, efficiëntie en indien nodig de stuurbaarheid en interoperabiliteit van de voorgestelde methoden. Bovendien valideerden casestudies en expertstudies de bruikbaarheid van de gebruikersinterfaces bij de voorgestelde algoritmen. Onze tools helpen autokalibratie-ingenieurs bij het traceren van interessante gebeurtenissen en maken verdere domeinspecifieke analyse mogelijk. Ze zijn domein-agnostisch en toepasbaar op use cases in andere domeinen.