發(fā)布時間：2018-04-29 00:39

  本文選題：異常點(diǎn)檢測 + 時間序列��； 參考：《計算機(jī)技術(shù)與發(fā)展》2016年05期

【摘要】：針對傳統(tǒng)時間序列異常點(diǎn)檢測方法在處理大量數(shù)據(jù)時檢測精度與效率低下的缺陷,文中提出一種基于大數(shù)據(jù)技術(shù)的全新時間序列異常點(diǎn)檢測方法。首先介紹了傳統(tǒng)時間序列異常點(diǎn)檢測方法并分析了其缺陷。其次介紹了基于大數(shù)據(jù)方法的理論推導(dǎo),包括特征提取、奇異點(diǎn)檢測及異常點(diǎn)判別,具體為采用大數(shù)據(jù)方法將海量序列分解為周期分量、趨勢分量、隨機(jī)誤差分量及突發(fā)分量四個不同分量,對不同分量進(jìn)行特征提取并根據(jù)特征提取結(jié)果進(jìn)行奇異點(diǎn)檢測,并在此基礎(chǔ)上利用序列特點(diǎn)判別奇異點(diǎn)是否為異常點(diǎn)。最后通過實驗分析對比驗證大數(shù)據(jù)方法的可行性與效率。實驗結(jié)果表明,基于大數(shù)據(jù)方法的時間序列異常點(diǎn)檢測相比于傳統(tǒng)的方法具有更高的檢測精度與更快的檢測速率。
[Abstract]:Aiming at the defects of the traditional time series anomaly detection method, which is low precision and efficiency in dealing with a large amount of data, a new time series anomaly detection method based on big data technology is proposed in this paper. Firstly, the traditional time series anomaly detection method is introduced and its defects are analyzed. Secondly, the theoretical derivation based on big data's method is introduced, including feature extraction, singular point detection and anomaly discrimination. Four different components of random error component and burst component are used to extract the different components and detect the singularity points according to the feature extraction results. On the basis of this, the singularity points are judged by the sequence characteristics to determine whether the singular points are abnormal points. Finally, the feasibility and efficiency of big data's method are verified by experimental analysis and comparison. The experimental results show that the time series anomaly detection based on big data method has higher detection accuracy and faster detection rate than the traditional method.
【作者單位】： 南京郵電大學(xué)自動化學(xué)院;
【基金】：江蘇省自然科學(xué)基金(BK20140877,BE2014803)
【分類號】：TP311.13

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陶運(yùn)信;皮德常;;屏蔽輸入?yún)?shù)敏感的異常點(diǎn)檢測新方法[J];計算機(jī)科學(xué);2008年12期

2 陶運(yùn)信;皮德常;;基于鄰域和密度的異常點(diǎn)檢測算法[J];吉林大學(xué)學(xué)報(信息科學(xué)版);2008年04期

3 張春生;李艷;王海珍;張世錚;;基于縱橫距離的單純異常點(diǎn)檢測算法及應(yīng)用[J];內(nèi)蒙古民族大學(xué)學(xué)報(自然科學(xué)版);2009年04期

4 顏慶茁;Java的異常設(shè)計原則[J];集美大學(xué)學(xué)報(自然科學(xué)版);2004年02期

5 王洪春;彭宏;;一種基于主成分分析的異常點(diǎn)挖掘方法[J];計算機(jī)科學(xué);2007年10期

6 劉洪濤;童德利;陳世福;;一種基于屬性的異常點(diǎn)檢測算法[J];計算機(jī)科學(xué);2005年05期

7 陸介平;倪巍偉;孫志揮;;基于關(guān)聯(lián)分析的高維空間異常點(diǎn)發(fā)現(xiàn)[J];應(yīng)用科學(xué)學(xué)報;2006年01期

8 蘇衛(wèi)星;朱云龍;劉芳;胡琨元;;時間序列異常點(diǎn)及突變點(diǎn)的檢測算法[J];計算機(jī)研究與發(fā)展;2014年04期

9 盧鳴;;基于異常點(diǎn)處理和自劈分合并學(xué)習(xí)的聚類方法[J];福建電腦;2008年12期

10 王元明;熊偉;;異常數(shù)據(jù)的檢測方法[J];重慶工學(xué)院學(xué)報(自然科學(xué)版);2009年02期

相關(guān)會議論文 前5條

1 張維;劉博;張小濤;;日內(nèi)金融高頻數(shù)據(jù)的異常點(diǎn)檢測[A];全國自動化新技術(shù)學(xué)術(shù)交流會會議論文集（一）[C];2005年

2 劉曉艷;王麗珍;楊志強(qiáng);陳紅梅;;基于數(shù)學(xué)形態(tài)學(xué)的模糊異常點(diǎn)檢測[A];第26屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（B輯）[C];2009年

3 王倩;劉奕群;馬少平;茹立云;;面向用戶互聯(lián)網(wǎng)訪問日志的異常點(diǎn)擊分析[A];第五屆全國信息檢索學(xué)術(shù)會議論文集[C];2009年

4 王麗珍;周麗華;肖清;;基于數(shù)據(jù)倉庫的動態(tài)異常點(diǎn)檢測研究[A];第二十五屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（二）[C];2008年

5 張重生;馮海軍;陳紅;梁思維;李翠平;;一種分布式數(shù)據(jù)集上top-n異常點(diǎn)挖掘的高效算法[A];第二十五屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（二）[C];2008年

相關(guān)碩士學(xué)位論文 前10條

1 何歡;基于概念漂移的異常檢測技術(shù)研究[D];電子科技大學(xué);2015年

2 趙伯夷;基于神經(jīng)網(wǎng)絡(luò)的異常點(diǎn)挖掘[D];河北大學(xué);2011年

3 孫易木;異常點(diǎn)挖掘及證券行業(yè)應(yīng)用實例研究[D];同濟(jì)大學(xué);2006年

4 曹忠虔;時間序列異常檢測的研究[D];電子科技大學(xué);2012年

5 彭珊;線性回歸模型中關(guān)于異常點(diǎn)的若干問題的分析[D];東北林業(yè)大學(xué);2014年

6 楊金偉;基于距離和信息熵的不確定異常點(diǎn)檢測研究[D];云南大學(xué);2011年

7 莊雪鵬;基于小波的時間序列中異常點(diǎn)的檢測[D];南京大學(xué);2013年

8 王康寧;貝葉斯方法下二值與多值序次數(shù)據(jù)模型與異常點(diǎn)的同時識別[D];蘇州大學(xué);2011年

9 張洋;一種基于熱計量數(shù)據(jù)的異常點(diǎn)挖掘算法研究[D];燕山大學(xué);2012年

10 張曉;教師評價中基于聚類算法的異常點(diǎn)分析的研究[D];東北師范大學(xué);2009年

，

本文編號：1817635