-
题名面向多元时间序列异常检测的对称正定自编码器方法
被引量：1
- 1
-
-
作者
蒋辉
闫秋艳
姜竹郡
-
机构
中国矿业大学计算机科学与技术学院
中国矿业大学灾害智能防控与应急救援创新研究中心
-
出处
《计算机应用》
CSCD
北大核心
2024年第10期3294-3299,共6页
-
基金
国家自然科学基金资助项目(51934007,61977061)
中国矿业大学研究生创新计划项目(2023WLJCRCZL261)。
-
文摘
检测多元时间序列中的异常模式对工业生产、互联网服务等场景中复杂系统的正常运行有着重要意义。连续时间上的多维数据同时存在时间和空间两种类型的相互关系,但大多数现有方法欠缺对维度之间空间关系的建模,且由于多维数据构造的空间拓扑结构的复杂性,传统的神经网络模型较难保留已建模的空间关系。针对上述问题,提出一种面向多元时间序列异常检测的对称正定自编码器(SPDAE)方法。使用高斯核函数计算原始数据2个维度之间的相互关系,生成多步长、多窗口的对称正定(SPD)矩阵,以捕捉多元时间序列的时空特征;同时,设计一个类卷积自编码器(AE)网络,编码器阶段以SPD特征矩阵为输入,解码器阶段则引入注意力机制聚合每层编码器得到的多步长数据,实现多尺度时空特征的重构;特别地,为保留输入数据的空间结构,编码解码器的每一层和损失计算部分分别使用符合流形拓扑的类卷积操作更新模型权重和Log-Euclidean度量计算重构误差。在私有数据集上的实验结果表明,SPDAE方法的精度指标相较于次优基线模型MSCRED(Multi-Scale Convolutional Recurrent Encoder-Decoder)提升了2.3个百分点,F1值指标相较于次优的基线模型长短期记忆编码器-解码器网络(LSTM-ED)提升了3.0个百分点;同时,由于采用了SPD矩阵表征多维数据之间的空间关系,根据重构矩阵的差异值可以实现异常维度的初步定位。
-
关键词
多元时间序列
异常检测
深度学习
自编码器
非欧流形
-
Keywords
multivariate time series
anomaly detection
deep learning
AutoEncoder(AE)
non-Euclidean manifold
-
分类号
TP311.13
[自动化与计算机技术—计算机软件与理论]
-
-
题名不平衡时间序列集成分类算法
被引量：3
- 2
-
-
作者
曹阳
闫秋艳
吴鑫
-
机构
中国矿业大学计算机科学与技术学院
中国矿业大学灾害智能防控与应急救援创新研究中心
-
出处
《计算机应用》
CSCD
北大核心
2021年第3期651-656,共6页
-
基金
国家自然科学基金资助项目(61977061,51934007)。
-
文摘
针对现有集成分类方法对不平衡时间序列数据学习能力欠佳的问题,采用优化组件算法性能和集成策略的思路,以异构集成方法即基于变换的集合的层次投票集合(HIVE-COTE)为基础,提出一种不平衡时间序列集成分类算法IMHIVE-COTE。该算法主要包含两个改进内容:首先,增加了一个新的不平衡分类组件SBST-HESCA,引入Boosting结合重采样的思路,并通过交叉验证预测结果来更新样本权重,从而使数据集的重采样过程更有利于提升少数类样本的分类质量;其次,结合SBST-HESCA组件对HIVE-COTE计算框架进行改进,通过优化组件算法的权重使不平衡时间序列分类算法对分类结果拥有更高的投票比重,从而再次提升集成算法整体的分类质量。实验部分对IMHIVE-COTE的性能进行了验证和分析:和对比方法相比,IMHIVE-COTE有最高的整体分类评价,并且在三个不平衡分类指标值上分别得到了最优、最优、第三优的整体分类评价,可以证明IMHIVE-COTE解决不平衡时间序列分类问题的能力明显较高。
-
关键词
不平衡时间序列
集成分类算法
提升方法
K最近邻
基于变换的集合的层次投票集合
-
Keywords
imbalanced time series
ensemble classification algorithm
boosting
K-Nearest Neighbor(K-NN)
Hierarchical Vote Collective of Transformation-Based Ensembles(HIVE-COTE)
-
分类号
TP391.1
[自动化与计算机技术—计算机应用技术]
-
