• Ищем аномалии и предсказываем сбои с помощью нейросетей
    +2
    По поводу автокодировщика и его архитектуры, брали идею отсюда. Синхронный автокодировщик, он же в англоязычном варианте — LSTM autoencoder. Параметры из разряда размера окна, % аномальности и.т.д подбирали вручную прогоняя на тестовом датасете. Ошибку реконструкции — использовали MSE, что бы по другому определяли не находил. По поводу переобучения, была самая большая запара. Решали как описано тут (ссылка). Данный метод использования автокодировщика сильно зависит от специфики данных. По большому счету нам повезло и более менее успешное применение автокодировщика связанно с особенностями наших данных. Количество данных, регламент использования системы, особенности системы — все это повлияло на результат. Конечно стоит понимать, что не обошлось без небольших доработок и подгонок конкретно под наши данные, но там уж совсем специфично.
  • Ищем аномалии и предсказываем сбои с помощью нейросетей
    +2
    честно говоря не считал человеко-часы. Могу сказать только что на действительно нужные вещи (концепция + софт) ушло не так уж много времени (около пары месяцев). Так как экспериментальная программа и сама работа были частью моей магистерской диссертации, большее количество времени пришлось слить на документацию и всякие условные вещи требуемые для защиты магистерской.