多维时间序列异常点检测方法及其应用研究

发布时间：2021-11-02 02:43

　　异常检测是对数据集中存在非正常模式下所产生数据的检测。多维时间序列（Multidimensional Time Series,MTS）是多维变量按时间顺序记录一系列观察值的集合。驾驶交通工具所产生的驾驶数据,是典型的MTS数据。针对驾驶数据的异常检测,是保障生命安全的重要手段。现有的MTS异常检测模型难以准确分析驾驶行为中的异常情况。因此,本研究是为搭建针对MTS中驾驶数据的异常点检测模型,研究范围包括汽车驾驶数据和飞行驾驶数据。QAR（Quick Access Recorder,QAR）数据是典型的飞行驾驶数据。本文围绕MTS数据中的汽车驾驶数据以及QAR数据的异常检测展开以下研究工作:本文提出一种基于混合方法的多维时间序列驾驶异常点检测模型LAIF（Long-short-term-memory based Autoencoder with Isolation Forest）。模型是将深度神经网络和孤立森林算法相结合,对驾驶数据中的异常点进行检测。LAIF首先借助滑动窗口完成原始数据的特征提取,再借助基于长短时记忆网络（Long Short Term Memory,LSTM）的自动编... 

【文章来源】：中国民航大学天津市

【文章页数】：58 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 基于多维时间序列的异常检测研究现状
        1.2.2 基于QAR数据的异常检测研究现状
    1.3 论文主要内容
    1.4 本文结构安排
第二章 相关理论知识
    2.1 多维时间序列
    2.2 异常检测
    2.3 多维时间序列的异常检测相关算法
        2.3.1 特征提取
        2.3.2 深度学习相关算法
        2.3.3 异常检测相关算法
    2.4 模型评估指标
    2.5 飞行品质监控相关概念
    2.6 QAR参数含义
第三章 基于混合方法的多维时间序列驾驶异常点检测
    3.1 数据预处理
        3.1.1 特征提取
        3.1.2 数据重构
    3.2 异常检测
    3.3 LAIF异常检测模型
    3.4 实验结果与分析
    3.5 本章小结
第四章 基于自动编码器的QAR数据异常检测
    4.1 基于自动编码器的QAR数据异常检测模型LAE
        4.1.1 特征提取
        4.1.2 异常检测
    4.2 实验结果与分析
    4.3 本章小结
第五章 总结与展望
    5.1 工作总结
    5.2 展望
致谢
参考文献



本文编号：3471179