基于相关性的高维时间序列清洗技术研究

发布时间：2021-09-01 10:36

　　数十年来,我国经济快速发展,各行各业产生了大量的数据,其中就包含了时间序列数据。时间序列数据通常具有维度高、数据量大等特点,尤其是工业和制造业大数据,常见的制造业时间序列数据具有大体量、多源性、连续采样、价值密度低、动态性强的特点,给数据清洗带来了难度和挑战。工业数据采集平台往往包含各类模块化协同工作的传感器设备组,同组的传感器所采集的数据可能模式相似,而不同组传感器之间的数据可能存在模式相关关系。这种多维时间序列的相关关系可以加以利用,以提高数据清洗的效果和效率。近些年来,针对基于约束的时间序列清洗研究取得了较好的成果,但目前对时间序列清洗的研究主要集中在利用时间上的相关性清洗一条时间序列上,而对多维时间序列的清洗研究较少,并且没有很好地利用到序列间的相关性。因此,本文对基于相关性的高维时间序列清洗算法进行研究,主要研究内容如下:（1）针对基于约束的时间序列异常检测方法,本文讨论了约束的分类和几种基本的约束,提出了使用速度约束进行异常点检测的问题,设计了时间复杂度为O（n2）的动态规划算法,并通过将问题转化为二维区域查询问题,使用二维区间树优化动态规划算法的时间复杂度,得到了时间复杂... 

【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】：67 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题来源
    1.2 课题背景及研究的目的和意义
    1.3 国内外研究现状
        1.3.1 数据清洗
        1.3.2 异常检测
    1.4 本文的主要研究内容
第2章 基于约束的时间序列异常检测
    2.1 引言
    2.2 约束及分类
    2.3 几种基本的约束
    2.4 使用速度约束进行单维序列异常点检测
        2.4.1 问题定义
        2.4.2 解决方案
        2.4.3 算法优化
        2.4.4 实验
    2.5 本章小结
第3章 基于空间相关性的高维时间序列异常检测
    3.1 引言
    3.2 问题定义与框架概述
    3.3 PAA
    3.4 相关性评估
    3.5 可疑序列的异常检测
    3.6 复杂度分析
    3.7 实验
        3.7.1 实验设置
        3.7.2 相关性分析步骤的效果
        3.7.3 检测框架效率对比
        3.7.4 检测框架的效果对比
    3.8 本章小结
第4章 基于物理机理相关性的高维时间序列清洗
    4.1 引言
    4.2 物理机理相关性与检测框架
    4.3 约束违反特征
        4.3.1 约束违反情况
        4.3.2 约束违反情况汇总
    4.4 异常来源分析
        4.4.1 异常原因、异常表征和表征距离
        4.4.2 异常原因筛选
        4.4.3 异常原因代价计算
        4.4.4 数据特征覆盖
    4.5 实验
        4.5.1 实验设置
        4.5.2 完整框架的评估
        4.5.3 异常来源分析步骤的评估
    4.6 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其他成果
致谢


【参考文献】：
期刊论文
[1]基于相关性分析的工业时序数据异常检测[J]. 丁小欧,于晟健,王沐贤,王宏志,高宏,杨东华.  软件学报. 2020(03)
[2]多维时间序列异常检测算法综述[J]. 胡珉,白雪,徐伟,吴秉键.  计算机应用. 2020(06)
[3]工业时序大数据质量管理[J]. 丁小欧,王宏志,于晟健.  大数据. 2019(06)
[4]工业大数据技术综述[J]. 王建民.  大数据. 2017(06)
[5]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)

博士论文
[1]时间序列数据清洗方法研究[D]. 张奥千.清华大学 2018
[2]时间序列的相似性查询与异常检测[D]. 肖辉.复旦大学 2005

硕士论文
[1]面向工业大数据的高维时间序列清洗系统[D]. 苏佳轩.哈尔滨工业大学 2019
[2]时间序列清洗关键技术的研究[D]. 尹薇.哈尔滨工业大学 2018
[3]风力发电机的整机故障诊断[D]. 杨静懿.东华大学 2014



本文编号：3376828