[en] ANOMALY DETECTION IN MULTIVARIATE TIME SERIES OF HEAVY TRUCK US ING LSTM AUTOENCODER
| Ano de defesa: | 2025 |
|---|---|
| Autor(a) principal: | |
| Orientador(a): | |
| Banca de defesa: | |
| Tipo de documento: | Tese |
| Tipo de acesso: | Acesso aberto |
| Idioma: | por |
| Instituição de defesa: |
MAXWELL
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: | |
| Link de acesso: | https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=74266&idi=1 https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=74266&idi=2 http://doi.org/10.17771/PUCRio.acad.74266 |
Resumo: | [pt] A detecção de anomalias tem se consolidado como uma área estratégica de pesquisa, viabilizando o monitoramento proativo de comportamentos atípicos. No contexto da gestão de frotas rodoviárias, essa prática pode gerar ganhos significativos ao identificar desvios relacionados ao desempenho ambiental e operacional dos veículos. Contudo, métodos estatísticos tradicionais apresentam limitações, sobretudo na detecção de anomalias que envolvem dependências temporais. Neste trabalho, uma arquitetura Long Short-Term Memory (LSTM) Autoencoder é utilizada para modelar o comportamento de séries temporais compostas por variáveis operacionais e sensoriais de viagens realizadas por caminhões pesados. Foram desenvolvidos modelos univariados, considerando apenas a variável de emissão de NOx, e modelos multivariados, que combinam múltiplos atributos para identificar diferentes possibilidades de anomalia. O modelo é treinado para reconstruir sequências e identificar anomalias a partir do erro de reconstrução, permitindo detectar desvios associados a falhas ou condições adversas. Os resultados mostraram que os modelos alcançaram boa capacidade de reconstrução das séries temporais, fundamental para identificar padrões de normalidade e desvios. Também demonstraram eficiência na detecção da simulação de falha no sensor inserida na base de testes, alcançando 100 por cento de identificação das viagens ocorridas nesse cenário. A comparação entre abordagens revelou que, enquanto o modelo univariado foi mais sensível a variações específicas, o multivariado contextualizou melhor o comportamento da frota e forneceu diagnósticos mais consistentes. Como contribuição para o setor de transportes, o estudo evidencia que o uso de técnicas de aprendizado profundo pode apoiar um processo decisório mais assertivo, promovendo maior eficiência operacional e ambiental. |
| id |
PUC_RIO-1_44b9cd58bdb08bbe5c47ee9b72d072aa |
|---|---|
| oai_identifier_str |
oai:MAXWELL.puc-rio.br:74266 |
| network_acronym_str |
PUC_RIO-1 |
| network_name_str |
Repositório Institucional da PUC-RIO (Projeto Maxwell) |
| repository_id_str |
|
| spelling |
[en] ANOMALY DETECTION IN MULTIVARIATE TIME SERIES OF HEAVY TRUCK US ING LSTM AUTOENCODER [pt] DETECÇÃO DE ANOMALIAS EM SÉRIES TEMPORAIS MULTIVARIADAS DE FROTAS DE CAMINHÕES PESADOS COM LSTM AUTOENCODER [pt] SERIE TEMPORAL[pt] FROTA DE CAMINHOES[pt] LSTM AUTOENCODER[pt] DETECCAO DE ANOMALIAS[pt] DESEMPENHO OPERACIONAL[en] TIME SERIE[en] HEAVY DUTY TRUCK[en] LSTM AUTOENCODER[en] ANOMALY DETECTION[en] OPERATIONAL PERFORMANCE[pt] A detecção de anomalias tem se consolidado como uma área estratégica de pesquisa, viabilizando o monitoramento proativo de comportamentos atípicos. No contexto da gestão de frotas rodoviárias, essa prática pode gerar ganhos significativos ao identificar desvios relacionados ao desempenho ambiental e operacional dos veículos. Contudo, métodos estatísticos tradicionais apresentam limitações, sobretudo na detecção de anomalias que envolvem dependências temporais. Neste trabalho, uma arquitetura Long Short-Term Memory (LSTM) Autoencoder é utilizada para modelar o comportamento de séries temporais compostas por variáveis operacionais e sensoriais de viagens realizadas por caminhões pesados. Foram desenvolvidos modelos univariados, considerando apenas a variável de emissão de NOx, e modelos multivariados, que combinam múltiplos atributos para identificar diferentes possibilidades de anomalia. O modelo é treinado para reconstruir sequências e identificar anomalias a partir do erro de reconstrução, permitindo detectar desvios associados a falhas ou condições adversas. Os resultados mostraram que os modelos alcançaram boa capacidade de reconstrução das séries temporais, fundamental para identificar padrões de normalidade e desvios. Também demonstraram eficiência na detecção da simulação de falha no sensor inserida na base de testes, alcançando 100 por cento de identificação das viagens ocorridas nesse cenário. A comparação entre abordagens revelou que, enquanto o modelo univariado foi mais sensível a variações específicas, o multivariado contextualizou melhor o comportamento da frota e forneceu diagnósticos mais consistentes. Como contribuição para o setor de transportes, o estudo evidencia que o uso de técnicas de aprendizado profundo pode apoiar um processo decisório mais assertivo, promovendo maior eficiência operacional e ambiental.[en] Anomaly detection has consolidated itself as a strategic research area, enabling proactive monitoring of atypical behaviors. In the context of road f leet management, this practice can deliver significant benefits by identifying deviations related to the environmental and operational performance of ve hicles. However, traditional statistical methods present limitations, especially in detecting anomalies involving temporal dependencies. In this work, a Long Short-Term Memory (LSTM) Autoencoder architecture is employed to model the behavior of time series composed of operational and sensor variables from trips carried out by heavy trucks. Univariate models were developed, consid ering only the NOx emission variable, and multivariate models, which com bine multiple attributes, to identify different types of anomalies. The model is trained to reconstruct sequences and identify anomalies from the recon struction error, allowing the detection of deviations associated with failures or adverse conditions. The results showed that the models achieved good recon struction capability of the time series, which is essential for identifying patterns of normality and deviations. They also proved efficient in detecting the simu lated sensor failure inserted into the test set, reaching 100 percent identification of the trips occurring in this scenario. The comparison between approaches revealed that, while the univariate model was more sensitive to specific variations, the multivariate model better contextualized fleet behavior and provided more con sistent diagnostics. As a contribution to the transportation sector, the study highlights that the use of deep learning techniques can support more assertive decision-making, promoting greater operational and environmental efficiency.MAXWELLPAULO IVSON NETTO SANTOSPAULO IVSON NETTO SANTOSPAULO IVSON NETTO SANTOSPAULO IVSON NETTO SANTOSPAULO IVSON NETTO SANTOSCAMILLA CARVALHO ALVES2025-11-24info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesishttps://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=74266&idi=1https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=74266&idi=2http://doi.org/10.17771/PUCRio.acad.74266porreponame:Repositório Institucional da PUC-RIO (Projeto Maxwell)instname:Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)instacron:PUC_RIOinfo:eu-repo/semantics/openAccess2025-11-24T00:00:00Zoai:MAXWELL.puc-rio.br:74266Repositório InstitucionalPRIhttps://www.maxwell.vrac.puc-rio.br/ibict.phpopendoar:5342025-11-24T00:00Repositório Institucional da PUC-RIO (Projeto Maxwell) - Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)false |
| dc.title.none.fl_str_mv |
[en] ANOMALY DETECTION IN MULTIVARIATE TIME SERIES OF HEAVY TRUCK US ING LSTM AUTOENCODER [pt] DETECÇÃO DE ANOMALIAS EM SÉRIES TEMPORAIS MULTIVARIADAS DE FROTAS DE CAMINHÕES PESADOS COM LSTM AUTOENCODER |
| title |
[en] ANOMALY DETECTION IN MULTIVARIATE TIME SERIES OF HEAVY TRUCK US ING LSTM AUTOENCODER |
| spellingShingle |
[en] ANOMALY DETECTION IN MULTIVARIATE TIME SERIES OF HEAVY TRUCK US ING LSTM AUTOENCODER CAMILLA CARVALHO ALVES [pt] SERIE TEMPORAL [pt] FROTA DE CAMINHOES [pt] LSTM AUTOENCODER [pt] DETECCAO DE ANOMALIAS [pt] DESEMPENHO OPERACIONAL [en] TIME SERIE [en] HEAVY DUTY TRUCK [en] LSTM AUTOENCODER [en] ANOMALY DETECTION [en] OPERATIONAL PERFORMANCE |
| title_short |
[en] ANOMALY DETECTION IN MULTIVARIATE TIME SERIES OF HEAVY TRUCK US ING LSTM AUTOENCODER |
| title_full |
[en] ANOMALY DETECTION IN MULTIVARIATE TIME SERIES OF HEAVY TRUCK US ING LSTM AUTOENCODER |
| title_fullStr |
[en] ANOMALY DETECTION IN MULTIVARIATE TIME SERIES OF HEAVY TRUCK US ING LSTM AUTOENCODER |
| title_full_unstemmed |
[en] ANOMALY DETECTION IN MULTIVARIATE TIME SERIES OF HEAVY TRUCK US ING LSTM AUTOENCODER |
| title_sort |
[en] ANOMALY DETECTION IN MULTIVARIATE TIME SERIES OF HEAVY TRUCK US ING LSTM AUTOENCODER |
| author |
CAMILLA CARVALHO ALVES |
| author_facet |
CAMILLA CARVALHO ALVES |
| author_role |
author |
| dc.contributor.none.fl_str_mv |
PAULO IVSON NETTO SANTOS PAULO IVSON NETTO SANTOS PAULO IVSON NETTO SANTOS PAULO IVSON NETTO SANTOS PAULO IVSON NETTO SANTOS |
| dc.contributor.author.fl_str_mv |
CAMILLA CARVALHO ALVES |
| dc.subject.por.fl_str_mv |
[pt] SERIE TEMPORAL [pt] FROTA DE CAMINHOES [pt] LSTM AUTOENCODER [pt] DETECCAO DE ANOMALIAS [pt] DESEMPENHO OPERACIONAL [en] TIME SERIE [en] HEAVY DUTY TRUCK [en] LSTM AUTOENCODER [en] ANOMALY DETECTION [en] OPERATIONAL PERFORMANCE |
| topic |
[pt] SERIE TEMPORAL [pt] FROTA DE CAMINHOES [pt] LSTM AUTOENCODER [pt] DETECCAO DE ANOMALIAS [pt] DESEMPENHO OPERACIONAL [en] TIME SERIE [en] HEAVY DUTY TRUCK [en] LSTM AUTOENCODER [en] ANOMALY DETECTION [en] OPERATIONAL PERFORMANCE |
| description |
[pt] A detecção de anomalias tem se consolidado como uma área estratégica de pesquisa, viabilizando o monitoramento proativo de comportamentos atípicos. No contexto da gestão de frotas rodoviárias, essa prática pode gerar ganhos significativos ao identificar desvios relacionados ao desempenho ambiental e operacional dos veículos. Contudo, métodos estatísticos tradicionais apresentam limitações, sobretudo na detecção de anomalias que envolvem dependências temporais. Neste trabalho, uma arquitetura Long Short-Term Memory (LSTM) Autoencoder é utilizada para modelar o comportamento de séries temporais compostas por variáveis operacionais e sensoriais de viagens realizadas por caminhões pesados. Foram desenvolvidos modelos univariados, considerando apenas a variável de emissão de NOx, e modelos multivariados, que combinam múltiplos atributos para identificar diferentes possibilidades de anomalia. O modelo é treinado para reconstruir sequências e identificar anomalias a partir do erro de reconstrução, permitindo detectar desvios associados a falhas ou condições adversas. Os resultados mostraram que os modelos alcançaram boa capacidade de reconstrução das séries temporais, fundamental para identificar padrões de normalidade e desvios. Também demonstraram eficiência na detecção da simulação de falha no sensor inserida na base de testes, alcançando 100 por cento de identificação das viagens ocorridas nesse cenário. A comparação entre abordagens revelou que, enquanto o modelo univariado foi mais sensível a variações específicas, o multivariado contextualizou melhor o comportamento da frota e forneceu diagnósticos mais consistentes. Como contribuição para o setor de transportes, o estudo evidencia que o uso de técnicas de aprendizado profundo pode apoiar um processo decisório mais assertivo, promovendo maior eficiência operacional e ambiental. |
| publishDate |
2025 |
| dc.date.none.fl_str_mv |
2025-11-24 |
| dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
| format |
doctoralThesis |
| status_str |
publishedVersion |
| dc.identifier.uri.fl_str_mv |
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=74266&idi=1 https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=74266&idi=2 http://doi.org/10.17771/PUCRio.acad.74266 |
| url |
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=74266&idi=1 https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=74266&idi=2 http://doi.org/10.17771/PUCRio.acad.74266 |
| dc.language.iso.fl_str_mv |
por |
| language |
por |
| dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
| eu_rights_str_mv |
openAccess |
| dc.publisher.none.fl_str_mv |
MAXWELL |
| publisher.none.fl_str_mv |
MAXWELL |
| dc.source.none.fl_str_mv |
reponame:Repositório Institucional da PUC-RIO (Projeto Maxwell) instname:Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO) instacron:PUC_RIO |
| instname_str |
Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO) |
| instacron_str |
PUC_RIO |
| institution |
PUC_RIO |
| reponame_str |
Repositório Institucional da PUC-RIO (Projeto Maxwell) |
| collection |
Repositório Institucional da PUC-RIO (Projeto Maxwell) |
| repository.name.fl_str_mv |
Repositório Institucional da PUC-RIO (Projeto Maxwell) - Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO) |
| repository.mail.fl_str_mv |
|
| _version_ |
1856395974389268480 |