SMAP/MSL

标签：数据集 / 异常检测 / 数据分析 / 数据

作者：赵浩天

时间：2023-12-07 19:55

标题*	SMAP(Soil Moisture Active Passive satellite)/MSL(Mars Science Laboratory rover)
描述（主要说明数据集的（可能）用途、应用领域等；针对标注数据需要说明标注的类别标签）*	NASA收集的航天器多维时序数据 1）时间信息匿名（时间粒度也是1min），数据已全被scale到0-1 2）SMAP和MSL代表两个不同的产生遥测流的航天器，两个数据集分开 3）SMAP有55个channel（实体），每个channel有25个维度 4）MSL有27个channel（实体），每个channel有55个维度 5）只有telemetry value是连续变量，其他变量都是相关命令（command）是否6）发送，实际就是0或者1（0为没发送，而1代表已发送） 7）训练集无label，测试集有label
数据集描述标签（使用分号分隔多个关键字）*	MTS、Anomaly Detection、多维时序、异常检测
使用信息.Licence
数据来源（原始链接；如果是自产数据则标注为“自产”）*	https://github.com/khundman/telemanom
数据采集方法
数据拥有者
数据分享者（提供此数据集信息的单位名称）*	NASA
数据集创建时间
数据规模（数据量、数据库行数、文件尺寸等信息）*	SMAP有55个channel（实体），每个channel有25个维度 MSL有27个channel（实体），每个channel有55个维度
数据集最近更新时间
数据版本
数据格式（数据存储方式、数据结构说明等）	分为三类文件 1）labeled_anomalies：数据处理和两个航天器数据分离依靠此文件 chan_id: 对应于train和test中对应名字的numpy文件。（对应实体） spacecraft：chan_id所归属的SMAP或MSL anomaly_sequence：对应test中chan_id文件中的index为此范围的为异常序列 class：有两种异常，point和contextual，前者点异常，后者是整体变化趋势异常 num_values: 对应chan_id的test文件的时间戳数量 2）train 3）test
引用（与此数据集相关的论文、项目、其他数据集等）	出自论文：A framework for using LSTMs to detect anomalies in multivariate time series data