★ 3
TQRNN30d：长期工业预测性维护
提出TQRNN30d框架，结合双阶段分位数回归神经网络与多流时序融合分类器，实现30天故障预测。在72台机器数据上达到约80%的F1分数，领先18个基线。
arXiv cs.AI56 天前
共 2 篇相关资讯，按重要度与时间排序，每 3 小时更新。
提出TQRNN30d框架，结合双阶段分位数回归神经网络与多流时序融合分类器，实现30天故障预测。在72台机器数据上达到约80%的F1分数，领先18个基线。
论文把体育中的「到达时间」建模为条件分位数回归问题，估计球员移动时间的下包络，而非依赖位置密度或闭式物理模型。作者用 2022 世界杯全部 64 场光学追踪数据训练轻量 MLP，在多项指标上稳定优于六个物理基线。研究还在篮球与单场 NFL 数据上检验跨项目迁移性。