Adaptive PCA-Based Outlier Detection for Multi-Feature Time Series in Space Missions
Jonah Ekelund, Savvas Raptis, Vicki Toy-Edens, Wenli Mo, Drew L. Turner, Ian J. Cohen, Stefano Markidis
分析多功能时间序列数据对于进行高效的事件检测(可能是机载)对于自动分析至关重要的空间任务至关重要。 然而,有限的机载计算资源和数据下行限制需要强大的方法来实时识别感兴趣的区域。 这项工作提出了基于主要组件分析(PCA)重建错误的自适应异常值检测算法,用于减少功能,该算法专为空间任务应用而设计。 该算法通过使用增量PCA动态适应不断发展的数据分布,无需对所有可能条件的预定义模型即可进行部署。 预扩展过程使每个特征的大小正常化,同时保持特征类型中的相对方差。 我们展示了该算法在检测空间等离子体事件方面的有效性,例如不同的空间环境,昼夜和夜侧瞬态现象,以及通过NASA的MMS任务观测的过渡层。 此外,我们将该方法应用于NASA的THEMIS数据,使用机载测量成功识别日间瞬态。
Analyzing multi-featured time series data is critical for space missions making efficient event detection, potentially onboard, essential for automatic analysis. However, limited onboard computational resources and data downlink constraints necessitate robust methods for identifying regions of interest in real time. This work presents an adaptive outlier detection algorithm based on the reconstruction error of Principal Component Analysis (PCA) for feature reduction, designed explicitly for spac...