论文学习——基于滑动窗口预测的水位时间序列异常检测
文章目录
- 0 封面
- 1 标题(title)
- 2 作者(author)
- 3 摘要(abstract)
- 4 关键词
- 5 结论
- 6 论文中的图表
- 6.1 图一:基于滑动串口的异常检测算法流程
- 6.2 图二:测站的数位、流量数据集
- 6.3 图三:算法异常检测结果
- 7 引言(introduction)
- 8 基于活动窗口预测的时间序列异常检测
- 8.1 相关定义
- 8.2【最重要】算法描述
- 8.3 滑动窗口的定义
- 8.4 one-step-ahead预测模型
- 8.1 异常点判定
写在前面:计算机应用;主办方:中国科学院成都分院、四川省计算机学会;中文核心期刊;月刊;C类
0 封面
- 这篇文章采用【精读】:
- 阅读顺序:title - author - abstract - keyword - conclusion - introduction - fugures and results - method - references
1 标题(title)
- 基于滑动窗口预测的水文时间序列异常检测
- 滑动窗口是一个点,现在有很多的技术都是基于滑动窗口的(这篇文章是2014年见刊的,但是滑动窗口依旧很热)
- 水文时间序列异常检测,就是挖掘水文时间序列中的异常点。
2 作者(author)
- 是三位老师,这篇文章应该不错
3 摘要(abstract)
- 水文时间序列的【分析和决策】过程中,存在数据质量问题。
- 划分时间序列,以子序列为基础建立预测模型,对未来值进行预测,如果差异值大于预设阈值,则判定异常。
- 滑动窗口大小如何设置?参数设置?预设阈值设置?
- 本文贡献:①挖掘水文时间序列中的异常点;②将异常检测的灵敏度和特异度分别提高到80%和98%+
4 关键词
时间序列; 异常检测; 预测模型; 置信区间; 滑动窗口
5 结论
- 提出滑动窗口的预测算法,以检测水位时间序列中异常;
- 采用动态参数选择方法选择最优参数模型
- 作者说,能够及时、准确的发现时间序列的异常点
6 论文中的图表
6.1 图一:基于滑动串口的异常检测算法流程
6.2 图二:测站的数位、流量数据集
6.3 图三:算法异常检测结果
- 这个是没看懂的,图有点复杂看不清楚
7 引言(introduction)
时间序列挖掘
作为数据挖掘领域的研究问题之一,已经被广泛应用于水文时间序列相似性搜索、序列模式挖掘和周期分析等领域。- 发现并减少水文时间序列中的异常点,对数据分析具有一定促进作用。
问题描述:给定一个包含n个数据点或对象的集合,以及预期的异常点数目k,发现与剩余的数据相比是显著异常的、孤立的或不一致的前k个对象的过程。
异常检测需要解决两个问题:
(1)在给定的数据集合中,定义什么样的数据是异常的。(提出自己的想法:如何确定哪些是异常点?这是一个监督学习的过程,那么预先打标签的工作如何完成?总不能是手动打标签吧)
(2)找到一个有效的方法来检测这样的异常数据时间序列异常可以分为三种:
序列异常、点异常和模式异常
结果表明,单层线性网络预测模型能够获取最理想的检测效率
8 基于活动窗口预测的时间序列异常检测
8.1 相关定义
定义——水文时间序列
定义——k-最近邻居窗口(严格的说,这个是2k)
定义——**异常点 **
总结——kkk 的值和τ\tauτ 的值需要动态调整,达到最优
8.2【最重要】算法描述
算法思想不难:①
one-step-ahead
预测模型,输入是i个前驱序列,输出是第i+1
的预测值;②如果di+1d_{i+1}di+1在置信区间内,则滑动窗口后移1,如果不在置信区间内,则用预测值替换掉原来的值,滑动窗口后移一位。注意:文字和图稍微有点不对应
假设t时刻的观测值,是其前驱邻接窗口的线性组合:
8.3 滑动窗口的定义
8.4 one-step-ahead预测模型
- 总结一下,最后使用的是单层线性网络
8.1 异常点判定
- 置信度阈值τ\tauτ(希腊字母,tao)、置信区间(PCIPCIPCI)如下所示:
论文学习——基于滑动窗口预测的水位时间序列异常检测相关推荐
- 【阅读论文】基于统计特征的无监督时间序列异常检测方法
文章目录 摘要 1.介绍 2.相关工作 3.问题描述 4.方法 4.1 统计特征 4.2提取特征总结 4.3 学习阶段算法 4.4测试阶段算法 5.结果 5.1 YOB评价:单变量 5.3对合成数据集 ...
- 论文学习——基于优化DTW算法的水文要素时间序列数据相似性分析
文章目录 1 摘要 2 结论 3 引言 4 水文时间序列数据相似性度量的相关研究 4.0 前人工作 4.1 提出问题 4.2 DTW动态时间弯曲距离算法 5 基于DTW的水文要素时间序列数据相似性度量 ...
- 从零开始学习VIO笔记 --- 第四讲:滑动窗口(基于滑动窗口算法的 VIO 系统:可观性和一致性)
从零开始学习VIO笔记 --- 第四讲:滑动窗口(基于滑动窗口算法的 VIO 系统:可观性和一致性) 一. 从高斯分布到信息矩阵 1.1 高斯分布 1.2 高斯分布和协方差矩阵 1.3 信息矩阵 二. ...
- LIC-Fusion 2.0:基于滑动窗口法平面特征跟踪的激光雷达惯性相机里程计
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 摘要 来自商用惯性.视觉和激光雷达传感器的多模态测量的多传感器融合提供了鲁棒和精确的6自由度姿态估计, ...
- reduceByKeyAndWindow基于滑动窗口的热点搜索词实时统计(Scala版本)
package SparkStreaming import org.apache.spark.SparkConf import org.apache.spark.streaming.{Seconds, ...
- 论文学习——基于集成LSTM-AE的时间序列异常检测方法
文章目录 0 封面 1 标题 2 摘要 3 结语 4 引言 4.1 一个问题 4.1 新方向 5 实验设计 写在前面:<华中科技大学学报(自然科学版)>:主办单位:华中科技大学:中文核心: ...
- 论文学习——多维时间序列异常检测算法综述
文章目录 0 封面 1 标题(title) 2 作者(author) 3 摘要(abstract) 4 结论(conclusion) 4.1 维数约减 4.2 时间序列模式表示 4.3 异常模式发现 ...
- 【论文笔记2】基于梯形面积估计的大规模网络异常检测几何面积分析新技术
Novel Geometric Area Analysis Technique for Anomaly Detection Using Trapezoidal Area Estimation on L ...
- 基于GAN框架的时间序列异常检测研究综述
一项综述类的课程作业 Anomaly detection with generative adversarial networks for multivariate time series. MAD- ...
- Spark数据挖掘-基于 K 均值聚类的网络流量异常检测(1): 数据探索、模型初探
Spark数据挖掘-基于 K 均值聚类的网络流量异常检测(1): 数据探索.模型初探 1 前言 分类和回归是强大易学的机器学习技术.需要注意的是:为了对新的样本预测未知的值, 必须从大量已知目标值的样 ...
最新文章
- Spring测试框架springContextTest
- python之web开发“三剑客”
- grub 引导 多linux系统,GRUB 多系统引导
- oracle 怎么读取表结构和注释,生成数据库结构文档
- mysql 带宽测试工具_MySQL自带的性能压力测试工具mysqlslap详解
- 物流公司老板血泪史:我如何被山寨版物流软件毁掉
- LeetCode刷题——167. 两数之和 II - 输入有序数组
- 中国公有云三巨头,同时支持Rancher Kubernetes平台 1
- 慕课软件质量保证与测试(第八章.软件评审概述)
- c语言实现按键的抖动与消除,7.3 按键消抖
- 技嘉B550M-AORUS-ELITE主板RAID故障与解决方案
- 曾国藩家训:三个地方看一个家庭的兴败
- 代码笔记源码php,读 PHP - Pimple 源码笔记(上)
- FI-盘盈盘亏借贷科目
- 应用Excel实现大小写金额转换
- 与领导喝酒的18个应紧记的诀窍
- 怎么将EXCEL转换为财务软件导入需要的XML格式,干货到,EXCEL如何转换为财务软件导入数据所需格式
- 小米node2红外_智能家居之一:小米人体传感器2使用体验
- Laravel 如何清理 config 缓存
- 宝贝狗~~~~~~青龙脚本