In this paper, we present a cluster-based algorithm for time series outlier mining.We use discrete Fourier transformation (DFT) to transform time series from time domain to frequency domain. Time series thus can be ma...In this paper, we present a cluster-based algorithm for time series outlier mining.We use discrete Fourier transformation (DFT) to transform time series from time domain to frequency domain. Time series thus can be mapped as the points in k -dimensional space.For these points, a cluster-based algorithm is developed to mine the outliers from these points.The algorithm first partitions the input points into disjoint clusters and then prunes the clusters,through judgment that can not contain outliers.Our algorithm has been run in the electrical load time series of one steel enterprise and proved to be effective.展开更多
时间序列数据广泛来源于社会各个领域,从气象学到金融学再到医学,准确的长期预测是时间序列数据分析、处理与研究中的一个关键问题。针对时间序列数据中存在的不同尺度相关性的挖掘与利用,提出一种基于神经网络的多尺度信息融合时间序...时间序列数据广泛来源于社会各个领域,从气象学到金融学再到医学,准确的长期预测是时间序列数据分析、处理与研究中的一个关键问题。针对时间序列数据中存在的不同尺度相关性的挖掘与利用,提出一种基于神经网络的多尺度信息融合时间序列长期预测模型ScaleNN,旨在更好地处理时间序列数据中的多尺度问题,从而实现更准确的长期预测。首先,结合全连接神经网络和卷积神经网络,有效提取全局信息与局部信息,并将2种信息聚合后进行预测;其次,通过在全局信息表征模块中引入压缩机制,以更轻量化的结构接受更长的序列输入,增大模型的感知范围并提高模型效能。大量实验结果表明,ScaleNN在多个真实世界数据集上的性能优于当前该领域的优秀模型PatchTST(Patch Time Series Transformer),在运行时间降低35%的同时仅需19%的参数量。可见,ScaleNN可广泛应用于不同领域的时间序列预测问题,为交通流量预测、天气预报等领域提供预测的基础。展开更多
非侵入式负荷监测(non-intrusive load monitoring,NILM)是一种无需进入每个用电器内部系统,仅在用户总线入口处安装监测设备的技术.在开展NILM技术研究时,往往需要收集大规模的用户负荷数据来证明所提出方法的普适性,此需求不可避免地...非侵入式负荷监测(non-intrusive load monitoring,NILM)是一种无需进入每个用电器内部系统,仅在用户总线入口处安装监测设备的技术.在开展NILM技术研究时,往往需要收集大规模的用户负荷数据来证明所提出方法的普适性,此需求不可避免地带来了繁重的数据收集与整理负担.为克服该挑战,设计了一种结合周期信号频率不变变换(frequency invariant transformation for periodic signals,FIT-PS)原理与时间序列生成对抗网络(time series generative adversarial networks,TimeGAN)的混合模型,记为FIT-PSTimeGAN.针对全球家庭与工业瞬态能量数据集(worldwide household and industry transient energy dataset,WHITED)中的空调、微波炉、吸尘器、冰箱和热水壶5种电器,运用FIT-PS对负荷数据集进行切割和拼接,构建TimeGAN不同状态下的训练集和测试集.评估测试集的效果发现,生成的波形数据与真实数据表现出高度一致性.进一步采用FIT-PS对训练得到的生成数据进行截取和拼接,生成满足测试需求的完整的单负荷波形和多负荷波形.对这些生成的波形与相同状态下的真实数据进行对比,结果显示两者吻合度很高.与自回归模型和生成对抗网络(generative adversarial network,GAN)模型相比,FIT-PS-TimeGAN模型在生成数据的性能方面表现更优.研究结果表明,FIT-PS-TimeGAN混合模型能够有效生成符合标准电器运行规律的波形和场景数据.展开更多
文摘In this paper, we present a cluster-based algorithm for time series outlier mining.We use discrete Fourier transformation (DFT) to transform time series from time domain to frequency domain. Time series thus can be mapped as the points in k -dimensional space.For these points, a cluster-based algorithm is developed to mine the outliers from these points.The algorithm first partitions the input points into disjoint clusters and then prunes the clusters,through judgment that can not contain outliers.Our algorithm has been run in the electrical load time series of one steel enterprise and proved to be effective.
文摘时间序列数据广泛来源于社会各个领域,从气象学到金融学再到医学,准确的长期预测是时间序列数据分析、处理与研究中的一个关键问题。针对时间序列数据中存在的不同尺度相关性的挖掘与利用,提出一种基于神经网络的多尺度信息融合时间序列长期预测模型ScaleNN,旨在更好地处理时间序列数据中的多尺度问题,从而实现更准确的长期预测。首先,结合全连接神经网络和卷积神经网络,有效提取全局信息与局部信息,并将2种信息聚合后进行预测;其次,通过在全局信息表征模块中引入压缩机制,以更轻量化的结构接受更长的序列输入,增大模型的感知范围并提高模型效能。大量实验结果表明,ScaleNN在多个真实世界数据集上的性能优于当前该领域的优秀模型PatchTST(Patch Time Series Transformer),在运行时间降低35%的同时仅需19%的参数量。可见,ScaleNN可广泛应用于不同领域的时间序列预测问题,为交通流量预测、天气预报等领域提供预测的基础。
文摘非侵入式负荷监测(non-intrusive load monitoring,NILM)是一种无需进入每个用电器内部系统,仅在用户总线入口处安装监测设备的技术.在开展NILM技术研究时,往往需要收集大规模的用户负荷数据来证明所提出方法的普适性,此需求不可避免地带来了繁重的数据收集与整理负担.为克服该挑战,设计了一种结合周期信号频率不变变换(frequency invariant transformation for periodic signals,FIT-PS)原理与时间序列生成对抗网络(time series generative adversarial networks,TimeGAN)的混合模型,记为FIT-PSTimeGAN.针对全球家庭与工业瞬态能量数据集(worldwide household and industry transient energy dataset,WHITED)中的空调、微波炉、吸尘器、冰箱和热水壶5种电器,运用FIT-PS对负荷数据集进行切割和拼接,构建TimeGAN不同状态下的训练集和测试集.评估测试集的效果发现,生成的波形数据与真实数据表现出高度一致性.进一步采用FIT-PS对训练得到的生成数据进行截取和拼接,生成满足测试需求的完整的单负荷波形和多负荷波形.对这些生成的波形与相同状态下的真实数据进行对比,结果显示两者吻合度很高.与自回归模型和生成对抗网络(generative adversarial network,GAN)模型相比,FIT-PS-TimeGAN模型在生成数据的性能方面表现更优.研究结果表明,FIT-PS-TimeGAN混合模型能够有效生成符合标准电器运行规律的波形和场景数据.
