Multiscale Spatiotemporal Network With Reinforcement Learning for Predicting Multisensor Systems

doi:10.1109/tnnls.2026.3725884

Multiscale Spatiotemporal Network With Reinforcement Learning for Predicting Multisensor Systems

2026-08-31

0

PRE

AI

DOI：10.1109/tnnls.2026.3725884

原文链接

原文求助

摘要

En 中文

为解决多传感器系统中由多尺度时间依赖性和传感器空间相关性带来的建模挑战，本文提出了一种强化学习增强的多尺度时空深度网络（MSTSDN-RL）。采用具有因果膨胀卷积的多尺度时间卷积网络来捕获具有扩展感受野的分层时间特征，同时通过自适应图结构学习和多分支图卷积模型来捕捉动态传感器相关性。此外，将预测校正表述为马尔可夫决策过程，引入强化学习以顺序优化预测结果。在四个C-MAPSS子集上的实验实现了12.49、13.11、13.58和16.37的均方根误差（RMSE）值，以及203.03、601.25、205.57和1156.88的得分值。在XJTU-SY数据集上，MSTSDN-RL获得了29.49的平均RMSE和25.87的平均绝对误差（MAE）。与近期最先进方法的比较、消融研究和在噪声及缺失传感器数据下的鲁棒性测试表明，所提出的方法在航空发动机和滚动轴承预测中具有竞争力的精度、鲁棒性和泛化能力。

Keyword:

Graph convolutional networks

multiscale temporal modeling

multisensor system

reinforcement learning

remaining useful life (RUL) prediction

Multiscale Spatiotemporal Network With Reinforcement Learning for Predicting Multisensor Systems

摘要

期刊

机构

引用论文