Benchmarking Unsupervised Segmentations of Multivariate Time Series From Embedded Systems With a Novel Homogeneity Metric

En el mundo oculto de la maquinaria moderna, desde los coches que conducimos hasta los dispositivos que portamos, un flujo constante de datos fluye como un río. Estos datos, conocidos como una serie temporal, registran cómo cambian diversas señales a lo largo del tiempo, como la temperatura de un motor o el voltaje en un circuito. Cuando una máquina tiene muchos sensores diferentes grabando a la vez, los datos se vuelven multivariantes, una compleja red de historias entrelazadas que suceden simultáneamente. El desafío para los ingenieros y científicos no es solo recolectar estos datos, sino darles sentido. Necesitan encontrar los momentos en que el comportamiento de la máquina cambia de un estado a otro, como un coche pasando de estar en ralentí a acelerar. Para hacer esto, deben cortar el largo y continuo flujo de datos en capítulos distintos, o segmentos, donde el comportamiento dentro de cada capítulo sea consistente y predecible. Este proceso se llama segmentación. Sin embargo, cuando los datos son desordenados y provienen de muchas fuentes a la vez, determinar dónde realizar los cortes es increíblemente difícil. Sin una forma clara de juzgar si un corte es bueno o malo, los investigadores se quedan adivinando si han encontrado los verdaderos patrones subyacentes o si solo han creado ruido aleatorio.

Este es el problema que un equipo de investigadores de la Universidad de Tecnología de Clausthal y tensor embedded GmbH se propusieron resolver. Se centraron en datos provenientes de un sistema embebido automotriz, una compleja red informática dentro de un coche que monitorea sus propias operaciones. El equipo enfrentó un obstáculo específico: aunque tenían herramientas potentes para rebanar los datos, carecían de una regla fiable para medir la calidad de esos cortes. Necesitaban una forma de determinar si un segmento de datos era verdaderamente "homogéneo", es decir, que los puntos de datos dentro de él se comportaran de manera consistente entre sí, en lugar de ser una mezcla caótica de diferentes comportamientos. Para abordar esto, los investigadores desarrollaron un nuevo método para medir esta consistencia interna. No solo propusieron una teoría; construyeron una métrica, un cálculo específico que asigna una puntuación a cualquier forma dada de cortar los datos. Una puntuación baja indica un segmento más limpio y consistente, mientras que una puntuación alta sugiere que el segmento es desordenado y debería dividirse de otra manera. Esta métrica actúa como un punto de referencia, permitiéndoles probar diferentes algoritmos y ver cuál produce las divisiones más lógicas de los datos.

Para demostrar que su nueva métrica funcionaba, el equipo primero creó una serie temporal sintética, o falsa, que imitaba el comportamiento de señales reales. Diseñaron esta señal de prueba para que tuviera cambios de comportamiento claros y conocidos, creando un escenario donde la forma "perfecta" de cortar los datos ya era conocida. Luego aplicaron su nueva métrica a cada forma posible de rebanar esta señal de prueba. El resultado fue una coincidencia perfecta: la métrica identificó exactamente los mismos cortes que los investigadores habían diseñado intuitivamente como la mejor solución. Esta validación fue crucial porque demostró que su herramienta matemática podía reconocer con precisión una buena segmentación. Luego compararon su nueva méticción contra cuatro índices de agrupación interna específicos utilizando la misma señal sintética. Aunque los métodos antiguos también identificaron la segmentación correcta como la mejor opción, la nueva métrica fue diseñada y verificada específicamente para ser adecuada para medir la consistencia interna en este caso de uso definido, confirmando su fiabilidad junto con métodos establecidos.

Con su herramienta de medición validada, los investigadores pasaron a los datos del mundo real proporcionados por su socio, Audi AG. Este conjunto de datos era masivo, contenía casi mil señales diferentes registradas a lo largo del tiempo. Los datos brutos eran demasiado ruidosos y complejos para analizarlos todos a la vez, por lo que el equipo primero los filtró. Eliminaron las señales que eran demasiado planas o invariantes y conservaron los veintitrés procesos más activos, aquellos con los cambios más significativos. Esto les dejó un conjunto de datos manejable que aún capturaba la dinámica esencial del sistema. Luego ejecutaron dos algoritmos de segmentación diferentes sobre estos datos filtrados. El primer algoritmo utilizó una técnica basada en el agrupamiento difuso (fuzzy clustering), que permite que los puntos de datos pertenezcan a múltiples grupos con distintos grados de certeza, mientras que el segundo utilizó un modelo estadístico conocido como Modelo Oculto de Markov, que asume que los datos cambian entre diferentes estados ocultos.

Los investigadores probaron estos algoritmos intentando dividir los datos en cualquier número de cuatro a catorce segmentos. Para cada intento, utilizaron su nueva métrica de homogeneidad para puntuar los resultados. Los hallazgos fueron alentadores. Ambos algoritmos fueron capaces de encontrar segmentos que mostraban un comportamiento interno consistente, pero la calidad de la segmentación variaba dependiendo de cuántos cortes se realizaran. La métrica destacó con éxito qué número específico de segmentos producía los resultados más coherentes. En el caso de la señal de prueba sintética, uno de los algoritmos logró replicar la segmentación perfecta exactamente, alcanzando la puntuación más baja posible en la métrica. Para los datos automotrices reales, la métrica proporcionó una forma clara de comparar los diferentes resultados, mostrando que los algoritmos podían, de hecho, extraer estados significativos del complejo flujo de señales. El estudio concluye que, si bien encontrar la forma absolutamente perfecta de cortar cualquier serie temporal sigue siendo un desafío difícil, la nueva métrica ofrece una forma fiable de evaluar y mejorar las herramientas utilizadas para esta tarea. Sugiere que, al utilizar esta medida de consistencia interna, los investigadores pueden comprender mejor los estados ocultos de sistemas complejos, allanando el camino para un análisis más preciso de los datos que impulsan nuestro mundo moderno.