時間序列挖掘是在傳統(tǒng)時序分析的基礎上形成的,是數(shù)據(jù)挖掘中最具挑戰(zhàn)性的研究方向之一。在各個領域中,時間序列挖掘技術都得到了廣泛應用,但因應用背景的不同對挖掘技術的實際要求也不同,仍需不斷深入的研究序列挖掘算法和模型。時間序列挖掘中的一個研究內容是異常檢測,其在很多領域中都是一項重要技術,受到越來越廣泛的關注,成為研究的一個熱點問題。南水北調中線工程是緩解北部地區(qū)水資源短缺問題,優(yōu)化我國水資源配置的一項戰(zhàn)略性工程。南水北調中線干線工程沿線復雜的地質條件及復雜的氣象情況使南水北調工程安全受到了嚴峻挑戰(zhàn)。為了保障工程安全,南水北調工程沿線已布設數(shù)量巨大的傳感器來實時采集工程安全數(shù)據(jù),在對南水北調中線工程安全監(jiān)測數(shù)據(jù)的分析中還存在著問題,即傳感器工作環(huán)境的復雜性導致安全監(jiān)測數(shù)據(jù)存在異�，F(xiàn)象。為了保障南水北調中線工程的安全,本文對監(jiān)測數(shù)據(jù)進行異常檢測的研究,主要工作如下:（1）通過引入動態(tài)時間彎曲方法,完成對分段監(jiān)測數(shù)據(jù)的異常檢測。算法首先采用基于關鍵點的分段線性表示方法將原始時間序列分割為長度不等的模式,然后采用動態(tài)時間彎曲方法對分割的模式進行異常檢測。通過在南水北調中線工程安全監(jiān)測數(shù)據(jù)上的實驗... 

【文章來源】：華北水利水電大學河南省

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【部分圖文】：

主要研究內容及相互關系圖

圖 2-3 時間序列的邊緣點[20]Figure 2-3 the edge points of the time series計算完時間序列上各點的時態(tài)邊緣算子后，各點的邊緣幅度值由計算邊緣算子與原始時間序列卷積運算得出。時間序列上各點邊緣化的程度，其值越大，則該點是邊緣點的程度越大。在時間序列的分段線性表示中，研究人員也提出了基于關鍵點技術的方法。其主要思想是，在給定時間序列1 2{ , , , }nS x x x 中， (1 ix i n的點，若ix 為極值點且滿足以下條件之一，則稱 為關鍵點。（1） 是時間序列 S 中的起點，（2） 是時間序列 S 中的終點。（3）1 1( ) ( ) 0i i i ix x x x 。

圖 3-2 鋼筋計埋設位置示意圖Figure 3-2 schematic diagram of placing steel stress meter為了研究監(jiān)測數(shù)據(jù)間的相關性，選擇圖中藍色點標記的鋼筋計作為研究對號分別為 R1-2、R1-3、R1-8、R1-12、R2-2、R2-3、R2-8 和 R2-12，分別對014 年 11 月 14 日到 2016 年 12 月 3 日的應力監(jiān)測數(shù)據(jù)進行相關性分析，數(shù)下圖所示：100200300400500600700800900鋼筋計應力/Mpa

【參考文獻】：
期刊論文
[1]大數(shù)據(jù)對公共安全治理的價值與挑戰(zhàn)[J]. 陳揚揚.  華北水利水電大學學報(社會科學版). 2018(03)
[2]大數(shù)據(jù)在人力資源管理中的應用[J]. 李愛玉,豐志培,周建慧.  華北水利水電大學學報(社會科學版). 2018(01)
[3]基于異常因子的時間序列異常模式檢測[J]. 劉雪梅,王亞茹.  計算機技術與發(fā)展. 2018(03)
[4]基于相似性分析的時間序列異常檢測方法[J]. 孫焱,林意.  山東農業(yè)大學學報(自然科學版). 2017(02)
[5]一種增量并行式動態(tài)圖異常檢測算法[J]. 韓濤,蘭雨晴,肖利民,劉艷芳.  北京航空航天大學學報. 2018(01)
[6]基于重要點的飛機發(fā)動機數(shù)據(jù)異常子序列檢測[J]. 楊慧,王光霞.  計算機工程與設計. 2016(09)
[7]一種基于局部異常因子（LOF）的k-means算法[J]. 陳靜,王偉.  電子測試. 2016(12)
[8]基于重要邊緣點的時間序列異常模式檢測算法[J]. 蘇錦旗,張文宇.  計算機工程與科學. 2014(06)
[9]基于動態(tài)彎曲的時間序列異步相關性分析[J]. 李海林.  計算機應用研究. 2014(07)
[10]一種基于k-均值聚類的異常檢測技術[J]. 白寧.  計算機與現(xiàn)代化. 2014(01)

博士論文
[1]面向PM2.5空氣污染分析的多重分形方法研究[D]. 張琛.合肥工業(yè)大學 2016
[2]基于分形與小波理論的成礦復雜信息提取與識別方法研究[D]. 陳國雄.中國地質大學 2016
[3]癲癇腦電的分形分析及自動檢測方法研究[D]. 張艷麗.山東大學 2016
[4]金融時間序列模式挖掘方法的研究[D]. 吳學雁.華南理工大學 2010
[5]時間序列的相似性查詢與異常檢測[D]. 肖輝.復旦大學 2005

碩士論文
[1]基于深度學習的時間序列特征表示[D]. 胡健.云南大學 2016
[2]時間序列異常模式挖掘關鍵技術研究[D]. 周鑫.西安科技大學 2011
[3]基于相似性分析的時間序列異常檢測研究[D]. 陳然.西南交通大學 2011



本文編號：2969587