论文部分内容阅读
近年来,随着计算机科学和信息技术的飞速发展,信息化时代已悄无声息地来临,人们在享受着信息化便捷服务的同时也积累了极其庞大的数据,广泛存在于经济、商业、工农业、科学研究等各个领域。如何从科学的角度合理的加工和处理这些海量数据、挖掘出这些数据背后隐藏的某种客观规律和人类所需的知识,成为了当前众多研究学者最关心的问题。作为数据挖掘的一个重要分支,时间序列的异常检测近几年发展迅猛,它主要将异常检测和时间序列联系起来,以从复杂的、海量的、维数高的时间序列数据中发现与其它数据有显著区别的样本(异常)为目的。 本课题以时间序列的异常检测及其应用为主题,研究了当前主流的时间序列数据的模式表示、相似性度量和异常检测等,之后在此基础上设计了新的时间序列模式异常检测算法,最后指出了本课题有待深入探讨的进一步工作。本课题的主要研究成果和内容简单介绍如下: 本课题首先结合现有的时间序列模式表示的研究成果,从时间序列的幅值结构出发,加入统计特征信息,设计了基于区间分段聚合近似的模式表示方法(Interval Piecewise Aggregate Approximation,IPAA),并在此基础上结合动态时间弯曲距离度量特征序列之间的相似性,应用到时间序列异常检测算法上,提出基于区间分段聚合近似的时间序列异常检测算法( Interval Piecewise Aggregate Approximation based Dynamic Time Warping,IPAA-DTW)。Ma-data数据和真实数据的实验结果表明:相比PAA-DTW算法,该算法不仅准确检测出时间序列的异常模式,而且更好的避免出现虚警以及漏报情况。 其次,通过对基于k-近邻异常检测算法的研究,将其改进后应用到时间序列的模式异常检测中,设计一种基于网格聚合近似的时间序列异常检测算法(Grid Aggregate Approximation based Local Outlier Factor,GAA-LOF),该算法利用基于网格聚合近似的模式表示方法(Grid Aggregate Approximation,GAA)从序列的时间属性和幅值结构特性出发对原始时间序列进行降维,并采用时间序列的局部异常因子对序列模式的异常程度进行评价。实验证明,所构建的算法能准确检测出序列中的异常模式,且有较高的分辨异常的能力。与PAA-LOF和IPAA-LOF算法相比,该算法能更准确的检测出模式异常,且异常检测准确率有了明显的提高。