Core Concepts
Transformer-basierte Grundmodelle können Strukturüberwachungsdaten effizient verarbeiten und dabei sowohl Anomalieerkennung als auch Verkehrsbelastungsschätzung mit hoher Genauigkeit durchführen.
Abstract
Die Studie untersucht den Einsatz von Transformer-Grundmodellen für Aufgaben der Strukturüberwachung, insbesondere Anomalieerkennung und Verkehrsbelastungsschätzung.
Für die Anomalieerkennung (UC1) zeigt das vorgeschlagene Modell deutlich bessere Ergebnisse als der Stand der Technik. Es erreicht eine Genauigkeit von 99,92%, eine Sensitivität von 100% und eine Spezifität von 99,9%, verglichen mit 75,76%, 55,68% und 98,75% beim besten Vergleichsmodell. Das Modell kann Anomalien schnell erkennen, da es nur einen Median-Filter über 60 Fenster benötigt, im Gegensatz zu 240 Fenstern beim Vergleichsmodell.
Für die Verkehrsbelastungsschätzung (UC2 und UC3) übertrifft das Modell ebenfalls den Stand der Technik deutlich. Auf dem ersten Benchmark (UC2) erreicht es einen R2-Wert von 0,97 für leichte und 0,85 für schwere Fahrzeuge, während der beste vorherige Ansatz bei 0,91 und 0,84 stoppte. Auf dem zweiten Benchmark (UC3) erreicht es einen R2-Wert von 0,54 gegenüber 0,10 für die beste bestehende Methode.
Das Modell wurde zunächst selbstüberwacht auf allen drei Datensätzen vortrainiert, bevor es für die spezifischen Aufgaben feinabgestimmt wurde. Diese Zwei-Phasen-Strategie ermöglicht es, die Leistungsfähigkeit des Modells zu steigern, ohne zusätzliche Labeldaten zu benötigen.
Darüber hinaus wurde die Modellgröße untersucht und Wissensübertragung eingesetzt, um kleinere Modelle zu trainieren, die für den Einsatz an der Strukturüberwachungsperipherie geeignet sind.
Stats
Die Verkehrsbelastungsschätzung für schwere Fahrzeuge auf dem ersten Benchmark (UC2) erreicht einen MSE von 0,11, einen MAE von 0,25 und einen R2-Wert von 0,97.
Die Verkehrsbelastungsschätzung für leichte Fahrzeuge auf dem ersten Benchmark (UC2) erreicht einen MSE von 0,95, einen MAE von 0,75 und einen R2-Wert von 0,90.
Auf dem zweiten Benchmark (UC3) erreicht das Modell einen MSE von 0,62, einen MAE von 0,57 und einen R2-Wert von 0,54.
Quotes
"Transformer-basierte Grundmodelle können Strukturüberwachungsdaten effizient verarbeiten und dabei sowohl Anomalieerkennung als auch Verkehrsbelastungsschätzung mit hoher Genauigkeit durchführen."
"Für die Anomalieerkennung (UC1) zeigt das vorgeschlagene Modell deutlich bessere Ergebnisse als der Stand der Technik. Es erreicht eine Genauigkeit von 99,92%, eine Sensitivität von 100% und eine Spezifität von 99,9%."
"Für die Verkehrsbelastungsschätzung (UC2 und UC3) übertrifft das Modell ebenfalls den Stand der Technik deutlich."