2021五一杯c题数据驱动的异常检测与预警问题.pdfVIP

2021五⼀杯c题数据驱动的异常检测与预警问题 2021五⼀杯C题数学建模 数据驱动的异常检测与预警问题 推动⽣产企业⾼质量发展， 根本的底线是保证安全、防范风险，⽽⽣产过程中产⽣的数据能够实时反映潜在的风险。附件 1为某⽣产企业 某 ⽇00:00:00-22:59:59由⽣产区域的仪器设备记录的时间序列数据 （已经进⾏数据脱敏），本题未给出数据的具体名称，这些数据可能 是温度、浓度、压⼒等与安全密切相关的数据。 请依据附件 1数据，建⽴数学模型，完成以下问题 ： 问题 1：附件 1所给出的数据都可能存在波动，且所有波动都在安全值范围内。有些波动可能是正常性波动，例如随着外界温度或者产量变 化的波动，或者可能是传感器误报，这些波动具有规律性、独⽴性、偶发性等特点，并不能产⽣安全风险，我们视为⾮风险性异常，不需要 ⼈为⼲预 ；有些波动具有持续性、联动性等特点，这些异常性波动的出现是⽣产过程中的不稳定因素造成的，预⽰着可能存在安全隐患，我 们视为风险性异常，需要⼈为⼲预、分析和评定风险等级。请建⽴数学模型，给出判定⾮风险性异常数据和风险性异常数据的⽅法。 问题2 ：结合问题 1的结果，建⽴数学模型，给出风险性异常数据异常程度的量化评价⽅法，要求使⽤百分制 （0- 100分）对每个时刻数据 异常程度进⾏评价 （分值越⾼表⽰异常程度越⾼）。应⽤所建⽴的模型和附件 1的数据，找到数据中异常分值 ⾼的5个时刻及这5个时刻对 应的异常传感器编号 （每个时刻只填写5个异常程度 ⾼的传感器编号，异常传感器不⾜5个则⽆需填满 ；如果得分为0，可以不⽤填写异常 传感器编号），并给出数学模型对所得结果进⾏评价。 问题3 ：为了提前发现未来⽣产过程中可能存在的风险隐患，请建⽴风险性异常预警模型，预测当⽇23:00:00-23:59:59可能产⽣的风险 性异常。结合问题2中给出的风险性异常程度量化评价⽅法，指出23:00:00-23:59:59中四个时间段 （见表2），每个时间段内的 ⾼异常 分值及对应的异常传感器编号 （只填写5个异常程度 ⾼的传感器编号，异常传感器不⾜5个则⽆需填满 ；如果得分为0，可以不⽤填写异常 传感器编号）。 问题4 ：根据问题2和问题3中的结果，建⽴数学模型对该⽣产企业整个⽣产系统的安全性进⾏评价，请在00:00:00-23:59:59内每隔30分 钟，⽤0- 100分进⾏安全性评分，0分表⽰安全性 低，100分表⽰安全性 ⾼ （包括00:00:00-23:00:00的得分和23:00:00-23:59:59 的预测得分），并⽤适当的⽅法对所给评分的结果进⾏评价和敏感性分析。 模型的建⽴与求解(部分)： 为了按照真实的⽐重给各个波动的主成分，需要使⽤临近分析法对主成分进⾏加权，NCA 是⼀种基于邻域分量的特征选择⽅法，在有监督 的机器学习⽅法中，通过 NCA 多步跌代算法对⽤于分类的特征向量进⾏分析，以此获得不同的特征向量的分类中的权重⼤⼩，可根据权重 的⼤⼩对原始的特征向量进⾏进⼀步筛选，进⼀步对数据进⾏降维，对整个训练⽹络进⾏优化。在第⼀问中我们已经通过 PCA 降维算法对 传感器数据进⾏了排序和权重计算，在本问中进⼀步 利⽤ NCA 对影响恐怖袭击等级的特征向量的排序和权重进⾏进⼀步的讨论，以此来得 出风险性异常数据异常程度的量化评价⽅法。 Matlab 20 18 有⽤于 NCA 近邻分析的⼯具箱，函数命令为 fscnca(x,y),其中 x 代表特征向量，y 代表样本标签 （权重），因为 NCA 是 ⼀种迭代算法，在进⾏运算时需要对⼀些参数进⾏设置，包括迭代⽅法， ⼩批量处理等。考虑到样本的数量和计算精度的要求，对 NCA 计算参数的设置如下，为提⾼计算精度⽹络的迭代⽅式采⽤ SGD 随机梯度下降的计算⽅式， ⼩计算批量 （MiniBatchSize）为 50， PassLimitd 等于 10，调谐⼦集合为 150，迭代周期为 20。⽹络运⾏迭代过程中 loss 不断减⼩，直到稳定达到误差要求。其迭代过程如下图所⽰ ： 程序代码 import math import random random.seed(0) def rand(a,b) : #随机函数 return (b-a)*random.random()+a def make_ matrix(m,n,fi =0.0) :#创建 ⼀个指定⼤⼩的矩阵 mat = [] for i in range(