摘要
複雑な産業システムから生成されるデータストリームは、概念ドリフトおよび動的に変化する時空間的依存関係を伴うことが多く、これらの要因がデータ分布が変わらないという仮定を持つ従来の予測モデルの性能と信頼性を損なっています。この課題に対処するため、本研究ではドリフトデータストリームに特化した不確実性認知階層型グラフニューラルネットワーク（UHGNN）を提案します。本手法は物理的トポロジーとセンサー間の高次相互作用を階層的グラフ構造で融合し、データストリームの時間的および空間的特徴を明示的に抽出します。さらに、認知的不確実性に基づくドリフト検出機構を導入し、概念ドリフトをリアルタイムで識別してモデルの微調整をトリガーし、高速な適応を実現します。実際のオンライン産業システムであるディーゼル加水素精製プロセスのデータセットを用いた実験により、UHGNNは概念ドリフトの悪影響を効果的に緩和し、ドリフトデータストリーム予測タスクにおいてベースラインモデルよりも高い予測精度を達成しました。本手法はまた、主要なハイパーパラメータに対する強い頑健性を示し、産業展開をサポートする計算効率も維持しています。
关键词
概念ドリフト;データストリーム;階層型グラフニューラルネットワーク;認知的不確実性