面向多维度时间序列的异常检测关键技术研究

发布时间：2020-12-29 22:08

　　在工业大数据分析、医疗健康大数据分析、气象数据分析和预测、经济金融数据分析等许多现实世界应用中,时间序列数据作为一种重要的数据对象而普遍存在。时间序列是按照时间发展顺序而采集到的数据对象,具有维度高、数据量大、更迭速度快等特点。异常检测作为时间序列分析中的一类重要任务,旨在检测出时间序列中的异常点或异常序列。其中,有效的处理多维度时间序列的上下文信息、进行特征抽取并检测其中的异常点,以及有效的检测多维度异常序列是关键问题。本论文的研究内容主要分为以下两个部分:一、针对多维度时间序列的点异常检测问题,本论文提出了一种基于双向LSTM异构集成的点异常检测算法MTSPAD。通过双向LSTM对多维度时间序列的上下文信息的处理,一方面可以利用神经网络对序列特征自动抽取;另一方面,序列维度之间的相互关系能够被自动处理,然后对输入时间序列在各个子模型中异构学习,得到最优的异构集成模型,使得异常检测更具鲁棒性,最后使用异构集成模型对输入数据进行异常检测。通过在六个真实数据集上的实验,本算法基本都能够比较准确的检测出异常,和单个学习器相比较,异常检测的准确率和召回率较其它算法平均提升5%左右。总体实现结... 

【文章来源】：国防科技大学湖南省 211工程院校 985工程院校

【文章页数】：60 页

【学位级别】：硕士

【部分图文】：

点异常检测异常点数据在我们现实生活中也非常常见，比如信用卡欺诈事件，我们每个人

图 3 序列异常检测序列数据在我们实际生活中最常见的一个应用是地震的检测和分析三段模拟地球内部振动波形，需要检测出异常的波形序列，以便于的进一步发生。常检测技术分类时间序列数据的异常检测分为两种情况：面向单维度时间序列数面向多维度时间序列数据的异常检测。其中，针对多维度时间序列为近年来的热点研究问题之一，很多学者都在这个问题上做了许多测的数据对象出发，根据数据集本身是否有“正常“或”异常“标法可以分为基于有监督学习的异常检测算法、基于半监督学习的异基于无监督学习的异常检测算法[4]。有监督学习的异常检测算法的输入数据为包含标签的数据，通常集进行划分为训练数据集和测试数据集，在训练数据集上训练学进行异常的分类，达到异常检测的目的。基于半监督学习的异常检

图6双向LSTM结构

【参考文献】：
期刊论文
[1]基于DTW距离的伪周期数据流异常检测[J]. 程文聪,邹鹏,贾焰,杨尹.  计算机研究与发展. 2010(05)



本文编号：2946414