学习在高维离散事件序列中预测、发现和推理

嵌入现代车辆的电子控制单元（ECU）会产生大量被称为诊断故障码（DTC）的异步事件。这些离散事件构成复杂的时序序列，反映车辆各子系统健康状况的演变。在汽车行业，领域专家用布尔规则人工地将这些故障码归组为更高层的错误模式（EP），以刻画系统故障并保障安全。然而，随着车辆复杂度增长，这一人工过程愈发昂贵、易出错且难以扩展。值得注意的是，现代车辆中不同DTC的数量与自然语言词表处于同一量级，常达数万之巨。这一观察促成了范式转变：将诊断序列视为一种可被建模、预测并最终可解释的语言。传统统计方法无法捕捉丰富的依赖关系，也无法扩展到以数千节点、大样本量和长序列为特征的高维数据集。具体而言，工业日志中类别事件空间的高基数带来重大挑战，需要为这类事件驱动系统量身定制新的机器学习架构。本论文将事件序列建模、因果发现与大语言模型（LLM）统一为面向高维事件流的连贯框架，以解决自动化故障诊断问题。全文分为三部分，体现从预测到因果理解、再到车辆诊断推理的渐进过渡。据此，我们提出了若干用于预测性维护的基于Transformer的架构、可扩展的样本级与总体级因果发现框架，以及一个自动合成布尔EP规则的多智能体系统。