该方法在随时间推移收集的测量中发现隐藏的警告信号

当您负责以每小时数千英里的速度飞越太空的价值数百万美元的卫星时，您需要确保其运行顺畅。时间序列可以提供帮助。

时间序列只是随时间重复进行的测量的记录。它可以跟踪系统的长期趋势和短期变化和自1958年以来一直跟踪大气中二氧化碳浓度的Keeling曲线。在大数据时代，“从卫星到涡轮的整个地方都收集了时间序列”。 Kalyan Veeramachaneni。“所有这些机器都有传感器，可以收集这些时间序列的运行情况。”

但是，分析这些时间序列并标记其中的异常数据点可能很棘手。数据可能很嘈杂。如果卫星运营商看到一连串的高温读数，他们怎么知道这是无害的波动还是卫星即将过热的迹象?

Veeramachaneni希望解决这个问题，他是MIT信息与决策系统实验室的Data-to-AI小组的负责人。该小组开发了一种新的基于深度学习的方法来标记时间序列数据中的异常。他们的方法称为TadGAN，其性能优于竞争对手的方法，可以帮助运营商发现并应对一系列高价值系统的重大变化，这些变化包括从太空飞行的卫星到地下室嗡嗡作响的计算机服务器农场。

这项研究将在本月的IEEE BigData会议上进行。该论文的作者包括Data-to-AI小组成员Veeramachaneni，博士后Liu Dongyu，访问研究的学生Alexander Geiger和硕士研究生Sarah Alnegheimish，以及西班牙雷安·胡安·卡洛斯大学的Alfredo Cuesta-Infante。

高额赌注

对于像卫星这样复杂的系统，时间序列分析必须是自动化的。与Veeramachaneni合作的卫星公司SES，从其通信卫星接收大量时间序列-每个航天器约30,000个唯一参数。SES的控制室中的人工操作员只能在屏幕上眨眼时跟踪这些时间序列的一小部分。对于其他情况，他们依靠警报系统来标记超出范围的值。Veeramachaneni说：“所以他们对我们说：“您能做得更好吗?”该公司希望他的团队使用深度学习来分析所有这些时间序列并标记任何异常行为。