一种基于热计量数据的异常点挖掘算法研究

论文摘要

随着我国“集中供暖、分户计量”供热体制改革的推广，热表物联网的规模越来越大，家家户户也将不再按面积缴纳热费，而是通过热计量的方式，用多少热掏多少钱。这一体制的推广虽然从某种程度上体现出了用热公平，但是大量热表的使用，难免会出现表损坏、用户盗热、IC卡欺骗等情况。同时，热网规模的不断扩大也使得系统数据库中积累了大量的历史数据与临时数据。因此，如果能够通过数据挖掘技术来发现热网中的一些异常情形将会有十分重要的意义。首先，根据本文热计量数据异常点挖掘的主题，提出了基于WSN与GPRS技术的远程热表数据采集系统的框架，并针对该框架，重点设计了WSN数据采集模块的通信协议、GPRS数据传输模块的通信指令以及远程数据包的解析格式等。然后，以SQL Server2005数据库软件为工具，详细阐述了热表信息数据仓库的设计以及数据的抽取、转换、加载过程。其次，针对热计量数据高维的特性，提出了本文的核心算法：R-HOT算法（基于粗糙超图的高维异常点挖掘算法），该算法包括三个主要阶段：第一，利用本文提出的基于粗糙超图的频繁项集挖掘算法挖掘重要关联规则，然后将数据仓库中的n条热表记录看作超图中的n个顶点，将重要关联规则看作超边，并利用给出的公式计算超边的权重，最后形成热网超图。第二，利用GRASP算法（基于贪心随机自适应的搜索过程）进行超图分割。第三，利用给出的异常点的概念进行异常点测试。最后，结合热表信息数据仓库的模型，对热表远程监控收费管理系统中采集的一些实际的数据进行实验，验证了R-HOT算法的可行性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究背景
• 1.2 课题研究意义
• 1.3 课题研究现状
• 1.4 课题研究内容
• 1.5 本文组织与结构
• 第2章 异常点挖掘算法分析
• 2.1 数据挖掘
• 2.1.1 数据挖掘技术简介
• 2.1.2 数据挖掘的过程
• 2.1.3 数据挖掘的功能分类
• 2.2 传统异常点挖掘算法分类
• 2.2.1 异常点挖掘技术简介
• 2.2.2 异常点挖掘算法分类
• 2.3 高维异常点挖掘算法概述
• 2.3.1 高维数据的特点
• 2.3.2 高维异常点挖掘算法
• 2.4 本章小结
• 第3章 热计量数据的采集及预处理
• 3.1 热表远程数据采集系统的设计
• 3.1.1 远程数据采集系统基本框架的设计
• 3.1.2 WSN 数据采集模块通信协议的设计
• 3.1.3 GPRS 通讯模块 TCP/IP 连接的实现
• 3.1.4 远程传输数据包的解析
• 3.2 热表信息数据仓库的设计
• 3.2.1 热表信息数据仓库模型设计
• 3.2.2 数据抽取、转换与加载（ETL）
• 3.3 本章小结
• 第4章 基于热计量数据的异常点挖掘算法
• 4.1 问题提出
• 4.2 相关定义及解释
• 4.3 构建热网超图模型
• 4.3.1 R-Apriori 算法的基本思想
• 4.3.2 构建热网超图模型
• 4.4 超图聚类
• 4.5 R-HOT 算法
• 4.6 算法理论分析
• 4.7 本章小结
• 第5章 实验结果与分析
• 5.1 实验设计
• 5.1.1 实验环境
• 5.1.2 实验目的
• 5.2 候选集选择及数据预处理
• 5.3 实验结果分析
• 5.3.1 算法可行性分析
• 5.3.2 算法性能分析
• 5.4 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间承担的科研任务与主要成果
• 致谢
• 作者简介