인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
초록·키워드
Extreme weather events due to climate change are increasing the risk of railway track buckling, which can lead to delays and safety issues such as derailments. Accurate prediction of rail temperature is therefore crucial for safe train operations. While advancements in technology have enabled real-time monitoring of rail temperatures, the current machine learning models used by KORAIL face limitations in accuracy and generalization. This study introduces an innovative method utilizing pre-trained large language models (LLMs) for efficient rail temperature prediction. We employ a simple data mapping technique using binning and normalization to convert time-series data into token sequences suitable for LLMs, allowing training and inference without modifying the model architecture. By applying a non-autoregressive inference approach, we address error accumulation and facilitate faster inference. Our model, trained on five years of data from 200 sensors, outperformed various baseline models achieving an RMSE of 1.8539℃, MAE of 1.0681℃, and R² of 0.9794. It also demonstrated strong generalization in zero-shot predictions for sensors not included in training. This approach offers a straightforward and efficient way to apply LLMs to time-series data, contributing to safer railway operations and maintenance planning.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
UCI(KEPA) : I410-151-25-02-092491238
