基于时间序列挖掘技术的南水北调工程安全监测数据异常检测
发布时间：2021-01-10 23:08
时间序列挖掘是在传统时序分析的基础上形成的,是数据挖掘中最具挑战性的研究方向之一。在各个领域中,时间序列挖掘技术都得到了广泛应用,但因应用背景的不同对挖掘技术的实际要求也不同,仍需不断深入的研究序列挖掘算法和模型。时间序列挖掘中的一个研究内容是异常检测,其在很多领域中都是一项重要技术,受到越来越广泛的关注,成为研究的一个热点问题。南水北调中线工程是缓解北部地区水资源短缺问题,优化我国水资源配置的一项战略性工程。南水北调中线干线工程沿线复杂的地质条件及复杂的气象情况使南水北调工程安全受到了严峻挑战。为了保障工程安全,南水北调工程沿线已布设数量巨大的传感器来实时采集工程安全数据,在对南水北调中线工程安全监测数据的分析中还存在着问题,即传感器工作环境的复杂性导致安全监测数据存在异常现象。为了保障南水北调中线工程的安全,本文对监测数据进行异常检测的研究,主要工作如下:（1）通过引入动态时间弯曲方法,完成对分段监测数据的异常检测。算法首先采用基于关键点的分段线性表示方法将原始时间序列分割为长度不等的模式,然后采用动态时间弯曲方法对分割的模式进行异常检测。通过在南水北调中线工程安全监测数据上的实验...
【文章来源】：华北水利水电大学河南省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
主要研究内容及相互关系图
图 2-3 时间序列的边缘点[20]Figure 2-3 the edge points of the time series计算完时间序列上各点的时态边缘算子后，各点的边缘幅度值由计算边缘算子与原始时间序列卷积运算得出。时间序列上各点边缘化的程度，其值越大，则该点是边缘点的程度越大。在时间序列的分段线性表示中，研究人员也提出了基于关键点技术的方法。其主要思想是，在给定时间序列1 2{ , , , }nS x x x 中， (1 ix i n的点，若ix 为极值点且满足以下条件之一，则称 为关键点。（1） 是时间序列 S 中的起点，（2） 是时间序列 S 中的终点。（3）1 1( ) ( ) 0i i i ix x x x 。
图 3-2 钢筋计埋设位置示意图Figure 3-2 schematic diagram of placing steel stress meter为了研究监测数据间的相关性，选择图中蓝色点标记的钢筋计作为研究对号分别为 R1-2、R1-3、R1-8、R1-12、R2-2、R2-3、R2-8 和 R2-12，分别对014 年 11 月 14 日到 2016 年 12 月 3 日的应力监测数据进行相关性分析，数下图所示：100200300400500600700800900钢筋计应力/Mpa
【参考文献】：
期刊论文
[1]大数据对公共安全治理的价值与挑战[J]. 陈扬扬. 华北水利水电大学学报(社会科学版). 2018(03)
[2]大数据在人力资源管理中的应用[J]. 李爱玉,丰志培,周建慧. 华北水利水电大学学报(社会科学版). 2018(01)
[3]基于异常因子的时间序列异常模式检测[J]. 刘雪梅,王亚茹. 计算机技术与发展. 2018(03)
[4]基于相似性分析的时间序列异常检测方法[J]. 孙焱,林意. 山东农业大学学报(自然科学版). 2017(02)
[5]一种增量并行式动态图异常检测算法[J]. 韩涛,兰雨晴,肖利民,刘艳芳. 北京航空航天大学学报. 2018(01)
[6]基于重要点的飞机发动机数据异常子序列检测[J]. 杨慧,王光霞. 计算机工程与设计. 2016(09)
[7]一种基于局部异常因子（LOF）的k-means算法[J]. 陈静,王伟. 电子测试. 2016(12)
[8]基于重要边缘点的时间序列异常模式检测算法[J]. 苏锦旗,张文宇. 计算机工程与科学. 2014(06)
[9]基于动态弯曲的时间序列异步相关性分析[J]. 李海林. 计算机应用研究. 2014(07)
[10]一种基于k-均值聚类的异常检测技术[J]. 白宁. 计算机与现代化. 2014(01)
博士论文
[1]面向PM2.5空气污染分析的多重分形方法研究[D]. 张琛.合肥工业大学 2016
[2]基于分形与小波理论的成矿复杂信息提取与识别方法研究[D]. 陈国雄.中国地质大学 2016
[3]癫痫脑电的分形分析及自动检测方法研究[D]. 张艳丽.山东大学 2016
[4]金融时间序列模式挖掘方法的研究[D]. 吴学雁.华南理工大学 2010
[5]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]基于深度学习的时间序列特征表示[D]. 胡健.云南大学 2016
[2]时间序列异常模式挖掘关键技术研究[D]. 周鑫.西安科技大学 2011
[3]基于相似性分析的时间序列异常检测研究[D]. 陈然.西南交通大学 2011
本文编号：2969587
【文章来源】：华北水利水电大学河南省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
主要研究内容及相互关系图
图 2-3 时间序列的边缘点[20]Figure 2-3 the edge points of the time series计算完时间序列上各点的时态边缘算子后，各点的边缘幅度值由计算边缘算子与原始时间序列卷积运算得出。时间序列上各点边缘化的程度，其值越大，则该点是边缘点的程度越大。在时间序列的分段线性表示中，研究人员也提出了基于关键点技术的方法。其主要思想是，在给定时间序列1 2{ , , , }nS x x x 中， (1 ix i n的点，若ix 为极值点且满足以下条件之一，则称 为关键点。（1） 是时间序列 S 中的起点，（2） 是时间序列 S 中的终点。（3）1 1( ) ( ) 0i i i ix x x x 。
图 3-2 钢筋计埋设位置示意图Figure 3-2 schematic diagram of placing steel stress meter为了研究监测数据间的相关性，选择图中蓝色点标记的钢筋计作为研究对号分别为 R1-2、R1-3、R1-8、R1-12、R2-2、R2-3、R2-8 和 R2-12，分别对014 年 11 月 14 日到 2016 年 12 月 3 日的应力监测数据进行相关性分析，数下图所示：100200300400500600700800900钢筋计应力/Mpa
【参考文献】：
期刊论文
[1]大数据对公共安全治理的价值与挑战[J]. 陈扬扬. 华北水利水电大学学报(社会科学版). 2018(03)
[2]大数据在人力资源管理中的应用[J]. 李爱玉,丰志培,周建慧. 华北水利水电大学学报(社会科学版). 2018(01)
[3]基于异常因子的时间序列异常模式检测[J]. 刘雪梅,王亚茹. 计算机技术与发展. 2018(03)
[4]基于相似性分析的时间序列异常检测方法[J]. 孙焱,林意. 山东农业大学学报(自然科学版). 2017(02)
[5]一种增量并行式动态图异常检测算法[J]. 韩涛,兰雨晴,肖利民,刘艳芳. 北京航空航天大学学报. 2018(01)
[6]基于重要点的飞机发动机数据异常子序列检测[J]. 杨慧,王光霞. 计算机工程与设计. 2016(09)
[7]一种基于局部异常因子（LOF）的k-means算法[J]. 陈静,王伟. 电子测试. 2016(12)
[8]基于重要边缘点的时间序列异常模式检测算法[J]. 苏锦旗,张文宇. 计算机工程与科学. 2014(06)
[9]基于动态弯曲的时间序列异步相关性分析[J]. 李海林. 计算机应用研究. 2014(07)
[10]一种基于k-均值聚类的异常检测技术[J]. 白宁. 计算机与现代化. 2014(01)
博士论文
[1]面向PM2.5空气污染分析的多重分形方法研究[D]. 张琛.合肥工业大学 2016
[2]基于分形与小波理论的成矿复杂信息提取与识别方法研究[D]. 陈国雄.中国地质大学 2016
[3]癫痫脑电的分形分析及自动检测方法研究[D]. 张艳丽.山东大学 2016
[4]金融时间序列模式挖掘方法的研究[D]. 吴学雁.华南理工大学 2010
[5]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]基于深度学习的时间序列特征表示[D]. 胡健.云南大学 2016
[2]时间序列异常模式挖掘关键技术研究[D]. 周鑫.西安科技大学 2011
[3]基于相似性分析的时间序列异常检测研究[D]. 陈然.西南交通大学 2011
本文编号：2969587
本文链接：https://www.wllwen.com/kejilunwen/shuiwenshuili/2969587.html
