在工業(yè)大數(shù)據(jù)分析、醫(yī)療健康大數(shù)據(jù)分析、氣象數(shù)據(jù)分析和預(yù)測、經(jīng)濟(jì)金融數(shù)據(jù)分析等許多現(xiàn)實(shí)世界應(yīng)用中,時(shí)間序列數(shù)據(jù)作為一種重要的數(shù)據(jù)對象而普遍存在。時(shí)間序列是按照時(shí)間發(fā)展順序而采集到的數(shù)據(jù)對象,具有維度高、數(shù)據(jù)量大、更迭速度快等特點(diǎn)。異常檢測作為時(shí)間序列分析中的一類重要任務(wù),旨在檢測出時(shí)間序列中的異常點(diǎn)或異常序列。其中,有效的處理多維度時(shí)間序列的上下文信息、進(jìn)行特征抽取并檢測其中的異常點(diǎn),以及有效的檢測多維度異常序列是關(guān)鍵問題。本論文的研究內(nèi)容主要分為以下兩個(gè)部分:一、針對多維度時(shí)間序列的點(diǎn)異常檢測問題,本論文提出了一種基于雙向LSTM異構(gòu)集成的點(diǎn)異常檢測算法MTSPAD。通過雙向LSTM對多維度時(shí)間序列的上下文信息的處理,一方面可以利用神經(jīng)網(wǎng)絡(luò)對序列特征自動(dòng)抽取;另一方面,序列維度之間的相互關(guān)系能夠被自動(dòng)處理,然后對輸入時(shí)間序列在各個(gè)子模型中異構(gòu)學(xué)習(xí),得到最優(yōu)的異構(gòu)集成模型,使得異常檢測更具魯棒性,最后使用異構(gòu)集成模型對輸入數(shù)據(jù)進(jìn)行異常檢測。通過在六個(gè)真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn),本算法基本都能夠比較準(zhǔn)確的檢測出異常,和單個(gè)學(xué)習(xí)器相比較,異常檢測的準(zhǔn)確率和召回率較其它算法平均提升5%左右�？傮w實(shí)現(xiàn)結(jié)... 

【文章來源】：國防科技大學(xué)湖南省 211工程院校 985工程院校

【文章頁數(shù)】：60 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

點(diǎn)異常檢測異常點(diǎn)數(shù)據(jù)在我們現(xiàn)實(shí)生活中也非常常見，比如信用卡欺詐事件，我們每個(gè)人

圖 3 序列異常檢測序列數(shù)據(jù)在我們實(shí)際生活中最常見的一個(gè)應(yīng)用是地震的檢測和分析三段模擬地球內(nèi)部振動(dòng)波形，需要檢測出異常的波形序列，以便于的進(jìn)一步發(fā)生。常檢測技術(shù)分類時(shí)間序列數(shù)據(jù)的異常檢測分為兩種情況：面向單維度時(shí)間序列數(shù)面向多維度時(shí)間序列數(shù)據(jù)的異常檢測。其中，針對多維度時(shí)間序列為近年來的熱點(diǎn)研究問題之一，很多學(xué)者都在這個(gè)問題上做了許多測的數(shù)據(jù)對象出發(fā)，根據(jù)數(shù)據(jù)集本身是否有“正常“或”異�！皹�(biāo)法可以分為基于有監(jiān)督學(xué)習(xí)的異常檢測算法、基于半監(jiān)督學(xué)習(xí)的異基于無監(jiān)督學(xué)習(xí)的異常檢測算法[4]。有監(jiān)督學(xué)習(xí)的異常檢測算法的輸入數(shù)據(jù)為包含標(biāo)簽的數(shù)據(jù)，通常集進(jìn)行劃分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，在訓(xùn)練數(shù)據(jù)集上訓(xùn)練學(xué)進(jìn)行異常的分類，達(dá)到異常檢測的目的�；诎氡O(jiān)督學(xué)習(xí)的異常檢

圖6雙向LSTM結(jié)構(gòu)

【參考文獻(xiàn)】：
期刊論文
[1]基于DTW距離的偽周期數(shù)據(jù)流異常檢測[J]. 程文聰,鄒鵬,賈焰,楊尹.  計(jì)算機(jī)研究與發(fā)展. 2010(05)



本文編號(hào)：2946414