时间序列数据流在线预测和异常检测方法的研究.pdfVIP

摘要 学科名称：模式识别与智能系统 Y2：；347089 研究生：侯宁宁 签名：避 指导教师：杨延西教授 签名： 摘 要 当前，时间序列数据流预测与异常检测的方法大都为离线的，并且没有动态预测的功 能，这对要求数据流无限性及实时处理的数据序列是相当不利的。本论文通过对在线最小 二乘支持向量机算法(Online 法(EKF)的学习研究，在时间序列单维输入数据流及非线性多维输入数据流两个方面来 验证算法在线预测与异常检测的效果。 在了解了在线最小二乘支持向量机算法(OnlineLS．SVM)、卡尔曼滤波算法。(Ⅻ) 以及扩展卡尔曼滤波算法(EKF)的基本理论与思想后，在此基础上加入阈值判断以及异 常判断环节使它们能够得到更多的应用。通过增加阈值判断环节使得各算法能够在线实时 的预测时间序列数据流；同时算法预测得到的输出值与真实值进行比较判断，通过异常判 断环节最终达到时间序列数据流在线异常检测的目的。 对于时间序列数据流在线预测与异常检测，本论文主要通过三块内容依次来进行研究 的。首先，分别学习Online 适用数据流检测领域范围，并对它们原本算法进行了实例验证；其次，对OnlineLS．SVM 增加阈值判断环节，使三种算法都可以实时预测数据流，仿真实验选用均方根误差作为检 测精度的指标，仿真结果表明了三种算法预测的有效性；最后，在预测算法基础上增加异 常判断环节——应用类型隶属度判断以及基于局部最大距离的孤立点检测判断，使算法能 够进行异常检测，仿真实验选用召回率、准确率以及漏检率作为异常检测评判标准，仿真 结果表明了三种算法异常检测的有效性。 关键词：在线预测；异常检测；阈值判断；应用类型隶属度；局部最大距离 本研究得到国家自然基金(编号的资助。 西安理工大学硕士论文 II withAbstractANDAbstractmulti··dimensionalmachinemachinemoremachinemachinemeanmaximummethodsHOUnounfavorableunlimitedKalmanKalmanbasicKalmanKalmanKalmanunderstandbasedbasisDAliAbasicKalmanroothaveThisThisPREDICTlONYANGvectorvectorvectorvectorareareareasreal-timenon··linearreal-timereachresearchedresultsonononverifiedvaluecanandandandableac．tualandandableONLINEerrorofflineofofonlineofone-dimensionalonlineofonlineofofonlineonlineofonlineonlineofofoutlierofonline．Simulationtototototofunction．ThisfilterfilterfilterfilterfilterflowfieldSERIESSTREAMandandandandandandandandanddetectiondatadetectiondatadatadatadatadetectiondecisiondatadetectioncharacteristicsdatadetectiondeterminedatachoosedetectiondetectionforecastefilterthetheeffectthetimetheextendedthetheoriesextendedthresholdthethethresholdtimethethethethetime-seriestimethetheextendedtheirthethreetothethattheeffectivenessthedetermineabnormalthreethresholdthreedistanceseriesseriesstreamstudiedseri