时间序列异常模挖掘关键技术研究.pdfVIP

论文题目：时间序列异常模式挖掘关键技术研究 专 业：计算机应用技术 硕 士 生：周 鑫 (签名) 指导教师：李爱国 (签名) 摘 要 研究时间序列异常模式挖掘具有重要的学术价值和现实意义。针对时间序列连续、 非线性、高维的复杂结构，探索了时间序列异常模式挖掘的新途径。研究了基于分类的 时间序列异常检测方法及特征属性降维方法，并应用于矿井瓦斯异常检测；同时提出了 多传感器空间布局优化方法，开发了原型系统。主要研究内容如下： 针对逆分类方法无法用于连续属性的缺 ，提出了一种连续属性逆分类的方法。它 是一种同时对训练样本和测试样本进行分析的方法，其主要思想是：首先找到与类别属 性相关的特征属性组合；然后将连续属性离散化并且为训练样本构造逆统计；最后对测 试样本进行异常检测或遗失值估计。在IRIS 和Ecoli 数据集上的实验结果表明，该算法 的分类准确率、平均相对误差和最小相对误差均优于朴素贝叶斯和ISGNN 。 针对现有流形学习方法用于异常检测低准确率的缺 ，提出了两种有监督的流形学 习方法 PSLLE 和 PQSLLE ，通过计算偏向概率来调节样本间的距离，使得测试样本所 隐含类别信息在其低维嵌入空间仍得以保存，其主要思想是：首先通过偏向概率计算近 邻矩阵；然后计算 值矩阵；最后通过局部重建 值矩阵和近邻矩阵映射到低维嵌入空 间。在IRIS 、Wine 和Semeion 手写数字数据集上的实验结果表明，采用PSLLE 和PQSLLE 降维后进行KNN 异常检测的准确率优于LLE 和SLLE 。 多传感器时间序列的异常模式是通过分析传感器的量测值得到的，表现为数据相 关，缺少物理上的相关分析。针对这个不足，提出了多传感器的空间布局的优化方法， 给出了形式化描述，并分别建立了多传感器在一维、二维和三维空间的布局优化模型。 将时间序列异常模式挖掘方法用于煤矿瓦斯异常检测中，开发了煤矿瓦斯涌出量异 常检测系统，包括异常检测、遗失值估计和流形学习模块。测试结果表明系统运行正确。 关 键 词：时间序列；异常检测；多传感器空间布局；有监督流形学习；连续属性 研究类型：应用研究 Subject : Study of Key Technologies on Abnormal Pattern Mining in Time Series Specialty : Computer Application Technology Name : Zhou Xin (Signature) Instructor : Li Aiguo (Signature) ABSTRACT Study of key technologies on abnormal pattern mining in time series has important academic value and practical significance. In order to deal with the continuity, non-linear and high-dimension of time series, this thesis aims to explore a new way to mine abnormal pattern of times series. The methods of abnormal detection based on classfication and dimensionality reduction of characters attributes are studied, which are applied to anomaly detection of coal mine gas datas. At the same time, the solutions and definition of layout of