面向工业大数据的高维时间序列清洗系统

发布时间：2021-09-07 13:38

　　随着时代发展,时间序列数据在大数据时代扮演着越来越重要的角色。在以往金融、气象相关领域的时间序列数据的研究中,对与其相关的时间序列数据的特性研究得已经比较完备,利用统计学的方法能够对这些时间序列数据进行有效的分析处理。然而近年来,工业上的时间序列数据日渐引起关注,引出了很多关于时间序列数据处理上的新问题。在处理高维时间序列数据上的质量问题时,单一维度上的时间序列处理方法由于无法正确、有效分析多维数据之间的关系,已不再适用,对工业上的高维时间序列数据的研究近乎空白。基于上述背景,本文以工业大数据上的高维时间序列数据作为重点,进行了问题分析、算法研发、系统开发等工作。本文提出了“高维时间序列数据的错列检测与修正”、“高维时间序列上的值异常检测与修正”两个高维时间序列数据上的异常问题,主要完成的算法研究和系统开发内容如下:（1）对于错列检测与修正问题,本文提出了一个在线与离线相结合的算法,在无先验知识或只拥有少量先验知识的情况下,通过模式确定、异常检测、综合清洗三个步骤,完成了对工业高维时间序列数据的异常的检测与修正,该算法可以排除干扰和小范围浮动,精准定位异常区间。（2）对于值异常检测与修... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：58 页

【学位级别】：硕士

【部分图文】：

风机数据中一个错列的实例

哈尔滨工业大学工学硕士学位论文现的结果应该是一个尽可能大的异常区间。我们将“几乎相连”的那些异常区间合并在一起，认为在一系列异常点中孤立的正确点仍然是异常点，认为一系列正常点中的孤立异常点仍然是正常点。确定异常区间后进行最终的整列的错列修正。整个错列修正的流程如图 2-2 所示。

哈尔滨工业大学工学硕士学位论文图求解最大权值最大匹配的问题可以转化为求解网络解最大费用最大流问题等价于求解最小费用最大流问题如下规则，在图 G 的基础上构建网络流 ’： s、汇点 t，从 s 向每个左图图集的点连一条容量为 1集的每个点向 t 连一条容量为 1、权值为 0 的边，将二容量均设置为 1。以此法构图形成图 ’。

【参考文献】：
期刊论文
[1]工业大数据技术综述[J]. 王建民.  大数据. 2017(06)
[2]大数据可用性的研究进展[J]. 李建中,王宏志,高宏.  软件学报. 2016(07)
[3]数据质量多种性质的关联关系研究[J]. 丁小欧,王宏志,张笑影,李建中,高宏.  软件学报. 2016(07)
[4]智能制造——“中国制造2025”的主攻方向[J]. 周济.  中国机械工程. 2015(17)
[5]智能制造基础之工业大数据[J]. 王建民.  机器人产业. 2015(03)
[6]关于最短路径的SPFA快速算法[J]. 段凡丁.  西南交通大学学报. 1994(02)

硕士论文
[1]数据清洗算法的研究与应用[D]. 周奕辛.青岛大学 2005



本文编号：3389646