基于深度学习的时间序列异常检测算法研究及应用

发布时间：2023-11-20 18:31

　　随着信息技术的快速发展,各类数据规模不断扩大,时间序列数据作为重要的数据类型受到广泛关注和研究。在对时间序列数据进行挖掘的时候会出现一些与数据模型或一般规律不一致的数据,这些异常数据在不同场景下大都包含了重要的信息和知识,忽视这些异常数据往往会造成不可挽回的经济损失,对这些少量异常数据的研究也显得愈发重要,这使得时间序列的异常检测成为数据挖掘领域的重要研究内容。近年来,深度学习技术也在各行各业得到广泛研究和应用并取得了不错的进展,也有学者尝试将深度学习技术应用于时间序列数据的异常检测,但目前这方面的研究还不够深入。基于前人的研究,本文对深度学习中特征表达能力较强的卷积神经网络、记忆能力较强的长短期记忆网络等进行研究和创新,并将改进的算法应用于时间序列的异常检测任务,同时还结合了其它智能算法提高算法的计算效率和检测精度,取得了较好的效果。首先,本文提出了一个基于全卷积神经网络的有监督时间序列异常检测算法HPCSLSFCN。对于有标签的时间序列数据,我们构建了适用于其的二分类模型CSLSFCN,为了提高算法特征学习能力,提升相对重要的特征并抑制对当前任务用处不大的特征,我们在卷积层之间嵌入...

【文章页数】：82 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 卷积神经网络研究现状
        1.2.2 长短期记忆网络研究现状
        1.2.3 异常检测的研究现状
    1.3 论文的主要研究内容与创新点
        1.3.1 论文主要内容和结构
        1.3.2 论文的创新点
第二章 相关理论基础
    2.1 时间序列相关理论基础介绍
        2.1.1 时间序列分类
        2.1.2 时间序列预测
    2.2 深度学习模型介绍
        2.2.1 卷积神经网络
        2.2.2 长短期记忆网络
        2.2.3 自编码器
    2.3 链式P系统
第三章 基于FCN的时间序列异常检测算法(HP-CSLSFCN)
    3.1 CSLSFCN时间序列异常检测算法
        3.1.1 嵌入SENet结构的改进FCN算法(SFCN)
        3.1.2 代价敏感损失函数(Cost-Sensitive Loss Function,CS)
        3.1.3 CSLSFCN算法流程
    3.2 基于混合链式P系统的HP-CSLSFCN算法
        3.2.1 HP-CSLSFCN系统的构建
        3.2.2 系统运行机制
    3.3 实验结果与分析
        3.3.1 数据集及实验平台描述
        3.3.2 评价指标
        3.3.3 实验结果与性能分析
第四章 基于LSTM的时间序列异常检测算法(IPSO-LSTM-AE)
    4.1 LSTM自编码器时间序列异常检测算法(LSTM-AE)
        4.1.1 数据预处理方法
        4.1.2 LSTM-AE算法流程
    4.2 粒子群算法优化的LSTM-AE(IPSO-LSTM-AE)
        4.2.1 带有自适应惯性因子的粒子群算法
        4.2.2 IPSO-LSTM-AE算法流程
    4.3 实验结果与分析
        4.3.1 数据集描述
        4.3.2 评价指标
        4.3.3 实验结果与性能分析
第五章 HP-CSLSFCN及 IPSO-LSTM-AE在智能运维中的应用
    5.1 智能运维问题描述与评价指标
    5.2 KPI数据介绍与分析
    5.3 基于IPSO-LSTM-AE及 HP-CSLSFCN的 KPI异常检测
        5.3.1 数据预处理及实验环境
        5.3.2 实验结果与性能分析
第六章 总结与展望
    6.1 本文研究总结
    6.2 未来研究展望
参考文献
攻读硕士学位期间的论文发表和项目参与情况
攻读硕士学位期间获奖情况
致谢



本文编号：3865601