时间序列异常模式挖掘关键技术研究

论文摘要

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点,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点,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;然后计算权值矩阵;最后通过局部重建权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。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 研究背景和意义
• 1.2 国内外研究现状
• 1.3 研究内容及研究成果
• 1.4 章节安排
• 2 分类方法及流形学习
• 2.1 分类方法
• 2.1.1 KNN 算法
• 2.1.2 朴素贝叶斯算法
• 2.2 流形学习
• 2.2.1 LLE 算法
• 2.2.2 Isomap 算法
• 2.2.3 拉普拉斯映射算法
• 2.3 本章小结
• 3 多传感器的空间合理布局
• 3.1 问题的提出
• 3.2 问题的形式化描述
• 3.2.1 多传感器的覆盖范围建模
• 3.2.2 多传感器空间布局优化
• 3.3 实验结果与分析
• 3.3.1 两个传感器在一维空间上的布局
• 3.3.2 多个传感器在三维空间上的布局
• 3.4 本章小结
• 4 连续属性逆分类方法
• 4.1 连续属性离散化方法
• 4.1.1 等宽度直方图
• 4.1.2 等深度直方图
• 4.1.3 随机映射
• 4.2 基于连续属性逆分类的异常模式挖掘
• 4.2.1 基于连续属性逆分类的分类方法
• 4.2.2 基于连续属性逆分类的遗失值估计方法
• 4.3 实验结果与分析
• 4.3.1 实验数据描述
• 4.3.2 评价标准
• 4.3.3 实验结果
• 4.3.4 煤矿瓦斯数据实验结果
• 4.4 本章小结
• 5 基于有监督流形学习的异常模式挖掘
• 5.1 有监督的流形学习方法
• 5.2 偏向概率
• 5.3 基于偏向概率的有监督的流形学习方法PSLLE
• 5.4 基于偏向概率的快速有监督的流形学习算法PQSLLE
• 5.5 实验结果及分析
• 5.5.1 实验数据描述
• 5.5.2 实验结果
• 5.5.3 煤矿瓦斯数据实验结果
• 5.6 本章小结
• 6 基于时间序列异常模式挖掘的瓦斯异常检测系统
• 6.1 系统功能
• 6.2 异常数据检测模块
• 6.3 遗失数据估计模块
• 6.4 流形学习模块
• 6.5 本章小结
• 7 结论
• 7.1 总结
• 7.2 展望
• 致谢
• 参考文献
• 附录