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

在现代机械的隐秘世界中，从我们驾驶的汽车到我们携带的设备，数据如河流般不断流动。这些被称为时间序列的数据，记录了各种信号随时间变化的过程，例如发动机的温度或电路中的电压。当一台机器同时记录许多不同的传感器数据时，数据就变成了多元化的，变成了一个由多个同时发生的交织故事构成的复杂网络。工程师和科学家的挑战不仅在于收集这些数据，更在于理解它们。他们需要寻找机器行为从一种状态转变为另一种状态的时刻，就像汽车从怠速转为加速一样。为了实现这一目标，他们必须将长期的、连续的数据流切割成不同的章节，或者说“段落”，其中每个章节内的行为是连贯且可预测的。这个过程被称为“分段”。然而，当数据杂乱无章且来自许多来源时，确定在哪里进行切割变得异常困难。如果没有一种明确的方法来判断一次切割的好坏，研究人员就会陷入猜测：他们发现的是真实的底层模式，还是仅仅创造了随机噪声。

这正是来自克劳斯塔尔工业大学（Clausthal University of Technology）和 tensor embedded GmbH 的一个研究团队致力于解决的问题。他们专注于来自汽车嵌入式系统的数据，这是一种监控其自身运行情况的复杂车载计算机网络。该团队面临着一个特定的障碍：虽然他们拥有强大的工具来切割数据，但缺乏一把衡量这些切片质量的可靠“尺子”。他们需要一种方法来确定一段数据是否真正具有“同质性”，即数据点在内部是否表现得相互一致，而不是多种不同行为的混乱混合。为了解决这个问题，研究人员开发了一种衡量这种内部一致性的新方法。他们不仅提出了一个理论，还构建了一个指标——一个特定的计算公式，可以为任何给定的数据切割方式评分。较低的分数表示一个更干净、更一致的段落，而较高的分数则表明该段落很混乱，应该进行不同的划分。这个指标充当了一个基准，使他们能够测试不同的算法，并观察哪一个算法能产生最符合逻辑的数据划分。

为了证明他们的新指标有效，团队首先创建了一个模拟（或伪造）的时间序列，以模仿真实信号的行为。他们设计了这个测试信号，使其具有清晰且已知的行为变化，从而创造了一个“完美”切割方式已知的场景。随后，他们将这个新指标应用于切割该测试信号的所有可能方式。结果显示，两者完全吻应：该指标识别出的切割位置，与研究人员直觉设计的最佳方案完全一致。这一验证至关重要，因为它表明他们的数学工具能够准确识别出良好的分段。接着，他们在同一个合成信号上，将新指标与四种特定的内部聚类指数进行了对比。虽然旧方法也识别出了正确的分割作为最佳选项，但新指标是专门设计并经过验证，用于衡量该特定用例中的内部一致性的，这证实了它在既有方法之外的可靠性。

在验证了测量工具后，研究人员转向了由合作伙伴奥迪公司（Audi AG）提供的真实世界数据。该数据集规模巨大，包含近千个随时间变化的信号。由于原始数据过于嘈杂且复杂，无法一次性分析，团队首先对其进行了过滤。他们剔除了那些过于平坦或毫无变化的信号，仅保留了二十三个最活跃的过程，即那些波动最显著的过程。这留下了一组可控的数据集，同时仍能捕捉到系统的核心动态。随后，他们在这些过滤后的数据上运行了两种不同的分段算法。第一种算法基于模糊聚类技术，允许数据点以不同的确定程度属于多个组；第二种算法则使用了被称为隐马尔可夫模型（Hidden Markov Model）的统计模型，该模型假设数据在不同的隐藏状态之间切换。

研究人员通过尝试将数据划分为四到十四个段落来测试这些算法。在每一次尝试中，他们都使用这个新的同质性指标来为结果评分。研究结果令人鼓舞。两种算法都能找到表现出一致内部行为的段落，但分段的质量取决于切割次数的不同。该指标成功地凸显了哪种特定的段落数量能产生最连贯的结果。在处理合成测试信号时，其中一种算法成功复制了完美的分割，并获得了该指标上的最低分。对于真实的汽车数据，该指标提供了一种比较不同结果的清晰方式，表明这些算法确实可以从复杂的信号流中提取出有意义的状态。研究结论指出，尽管寻找任何时间序列的绝对完美切割方式仍然是一个艰巨的挑战，但这一新指标为评估和改进此类任务所使用的工具提供了一种可靠的方法。这表明，通过使用这种内部一致性的衡量标准，研究人员可以更好地理解复杂系统的隐藏状态，为更准确地分析驱动现代世界的这些数据铺平道路。