다중 센서 데이터 스트림 기반의 빠른 데이터 분석 및 동적 이벤트 발생 시간 예측

Fast Mining and Dynamic Time-to-Event Prediction over Multi-sensor Data Streams

머신에서 얻은 실시간 센서 데이터 스트림을 이용하여, 머신 고장이 언제 발생할지를 지속적으로 예측하는 것은 어떻게 가능할까요? 본 연구는 다중 센서 데이터 스트림을 분석하여 미래 이벤트 발생 시점을 지속적으로 예측하는 것을 목표로 합니다. 실제 데이터 스트림의 중요한 특징은 시간이 지남에 따라 기본 패턴이 변화하는 동적인 특성입니다. 이를 해결하기 위해, 본 연구에서는 이러한 변화에 적응하고 정확하고 실시간의 미래 이벤트 발생 시간을 예측할 수 있는 동적 예측 프레임워크인 TimeCast를 제시합니다. 제안된 방법은 다음과 같은 특징을 갖습니다. (a) 동적: 시간 경과에 따라 변화하는 다양한 패턴(즉, 단계)을 식별하고 각 단계에 대한 개별 모델을 학습하여, 패턴 변화에 따른 적응적인 예측을 가능하게 합니다. (b) 실용적: 시간 경과에 따라 여러 센서 간의 상호 의존성을 포착하는 의미 있는 단계를 찾아 예측 성능을 향상시킵니다. (c) 확장 가능: 제안된 알고리즘은 입력 크기에 대해 선형적으로 확장되며, 데이터 스트림에 대한 온라인 모델 업데이트를 가능하게 합니다. 실제 데이터셋에 대한 광범위한 실험 결과는 TimeCast가 최첨단 방법보다 더 높은 예측 정확도를 제공하며, 데이터 스트림의 동적인 변화를 감지하는 동시에 계산 시간을 크게 줄인다는 것을 보여줍니다.

Given real-time sensor data streams obtained from machines, how can we continuously predict when a machine failure will occur? This work aims to continuously forecast the timing of future events by analyzing multi-sensor data streams. A key characteristic of real-world data streams is their dynamic nature, where the underlying patterns evolve over time. To address this, we present TimeCast, a dynamic prediction framework designed to adapt to these changes and provide accurate, real-time predictions of future event time. Our proposed method has the following properties: (a) Dynamic: it identifies the distinct time-evolving patterns (i.e., stages) and learns individual models for each, enabling us to make adaptive predictions based on pattern shifts. (b) Practical: it finds meaningful stages that capture time-varying interdependencies between multiple sensors and improve prediction performance; (c) Scalable: our algorithm scales linearly with the input size and enables online model updates on data streams. Extensive experiments on real datasets demonstrate that TimeCast provides higher prediction accuracy than state-of-the-art methods while finding dynamic changes in data streams with a great reduction in computational time.