State Discovery and Prediction from Multivariate Sensor Data

Olli Pekka Rinta-Koski, Miki Sirola, Le Ngu Nguyen, Jaakko Hollmén*

*Tämän työn vastaava kirjoittaja

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference contributionScientificvertaisarvioitu

Abstrakti

The advent of cloud computing and autonomous data centers operating fully without human supervision has highlighted the need for fault-tolerant architectures and intelligent software tools for system parameter optimization. Demands on computational throughput have to be balanced with environmental concerns, such as energy consumption and waste heat. Using multivariate time series data collected from an experimental data center, we build a state model using clustering, then estimate the states represented by the clusters using both a hidden Markov model and a long-short term memory neural net. Knowledge of future states of the system can be used to solve tasks such as reduced energy consumption and optimized resource allocation in the data center.

AlkuperäiskieliEnglanti
OtsikkoAdvanced Analytics and Learning on Temporal Data - 6th ECML PKDD Workshop, AALTD 2021, Revised Selected Papers
ToimittajatVincent Lemaire, Simon Malinowski, Anthony Bagnall, Thomas Guyet, Romain Tavenard, Georgiana Ifrim
Sivut155-169
Sivumäärä15
DOI - pysyväislinkit
TilaJulkaistu - 2021
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaInternational Workshop on Advanced Analytics and Learning on Temporal Data - Virtual, Online
Kesto: 13 syysk. 202117 syysk. 2021
Konferenssinumero: 6

Julkaisusarja

NimiLecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics)
KustantajaSpringer
Vuosikerta13114 LNAI
ISSN (painettu)0302-9743
ISSN (elektroninen)1611-3349

Workshop

WorkshopInternational Workshop on Advanced Analytics and Learning on Temporal Data
LyhennettäAALTD
KaupunkiVirtual, Online
Ajanjakso13/09/202117/09/2021

Sormenjälki

Sukella tutkimusaiheisiin 'State Discovery and Prediction from Multivariate Sensor Data'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä