多变量时间序列滑动窗口异常点的检测

针对多变量时间序列(MTS)的异常点的探测问题,提出了采用由粗到细的二次探测方案.基于滑动窗口数据的置信区间,构造了变化趋势值特征和相对变化趋势值特征分别用于二次探测,同时研究了特征的快速提取算法.通过对OPEN3000数据监测系统采集的事故发生前后某市城南变电站各设备表的数据集进行异常点探测,结果表明提出的算法能够快速准确地探测出异常点的位置.     

计及温度影响的短期负荷预测时间序列模型

时间序列模型在国际和国内的短期电力负荷预测中得到了广泛应用.然而,这种方法的一个主要缺点是无法将影响负荷预测的主要因素之一即气象因素考虑进去.在此背景下,首先基于负荷和气温数据建立了负荷预测的回归模型,然后构造了回归模型残差累积式自回归一滑动平均模型并对回归模型进行修正.最后,用广东电力系统的实际负荷数据说明了所发展的...     

基于上下文生成对抗网络的时间序列异常检测方法

时间序列的异常检测是网络服务保障、数据安全检测、系统监控分析等应用中所依赖的一项关键技术。为解决在实际场景的时间序列异常检测中由于时间序列上下文的模糊性、数据分布的复杂性以及异常检测模型的不确定性所带来的异常检测结果的有效性、合理性、稳定性等不足的问题,本文提出了一种新的基于上下文生成对抗网络的时间序列异常检测方法AdcGAN。首先,通过处理历史数据,提取用于生成时序数据的条件上下文;然后,采用条件生成对抗网络的设计策略,使用条件上下文,构建上下文生成对抗网络,实现对任意时刻数据的条件分布预测,同时AdcGAN采用Dropout近似模型不确定性,使用概率分布代替点估计作为预测结果;接着,从观测的差异(用期望偏差表示)和模型的不确定性(用预测方差表示)两个方面来衡量异常;最后,提出基于数据统计信息的异常阈值自动设置方法,减少手动调节的参数量。实验结果表明,与同类基准算法进行对比,在NAB数据集中的47个真实时序数据上,本文提出的AdcGAN可以有效地检测出时序数据中的异常,在大多数评价指标上都优于其他基准方法,并且具有更好的稳定性。     

时间序列分析在库存炮弹性能分析中的应用

时间序列分析是处理动态数据的一种有效方法，本文介绍了在处理某型库存炮弹的试验数据时，使用时间序列分析的过程．     

基于时间序列的蜂窝网络能量优化方法

针对移动终端在蜂窝网络中的能耗过高问题,提出了一种基于时间序列的能量优化算法--平衡优化算法（BOA）.该算法对移动终端在蜂窝网络中传输的数据块建立自回归滑动平均模型,通过预测下一个数据块的到达时间来动态调整尾巴时间,达到降低能耗的目的.实验结果及分析表明,BOA能达到93.86%的模型匹配率;相比于原标准下的Fixed-tail算法,能达到42.25%的能量优化效果,且用户使用移动终端时间越长,能量优化效果越好.     

建筑能耗异常的检测方法

分析了建筑逐时能耗数据,研究了检测异常建筑逐时能耗的方法.该方法包括两个步骤,首先根据数据属性将相同条件下产生的逐时能耗数据进行分类,然后对同一类能耗数据进行分析,确定异常能耗点.实验证明该方法是有效的,可以优化建筑管理方式,达到节能的目的.     

基于距离的不确定数据异常点检测研究

针对实际数据存在不确定性的问题,提出了新的异常点检测方法。首先,定义了基于距离的不确定数据异常点检测概念;其次,设计了相应的不确定数据的异常点检测算法;再次,为降低算法时间复杂度,设计了剪枝策略;最后,实验分析说明了算法对不确定异常点检测的可行性与效率。     

基于多维时间序列分析的网络异常检测

针对实际网络异常检测要求高检测率、低误报率的问题,提出了一种基于多维时间序列的检测方法。首先,通过对实际网络流量进行长期观测,提取多维特征对网络流量进行描述;然后,利用时间序列分析方法对多维特征进行预测,计算预测值与真实值的时间序列偏离度,并且实时更新偏离度,适应多变的网络环境;最后,利用支持向量机（SVM）算法对偏离度向量进行分类判别,判断是否发生异常。目前该方法已应用于校园网关键服务器的实时监测与防护工作中,实际服务器流量的预测、告警结果表明,该方法可以有效检测网络中的异常流量。     

基于信号变化速率的时间序列异常值检测方法

为了消除奇异值对系统模型辨识的影响, 并提高时间序列数据预处理的效果, 提出一种基于统计分析的奇异值检测方法.该方法将时间序列信号变化特征与统计学理论相结合, 在计算时间序列信号的变化速率的基础上, 对其进行统计分析, 进而得到异常值发生的位置, 并利用内插法对原始的观察信号进行修复.应用结果表明:该算法简单、有效、计算量小, 能满足时间序列数据预处理的需求.     

基于最小二乘支持向量机算法的测量数据时序异常检测方法

将最小二乘支持向量机方法引入火电厂DCS的测量数据时序异常检测领域,该方法很好地建立了火电厂DCS的测量数据时序预测模型,具有预测真实值能力强、全局优化及泛化性好等优点。将该方法应用于某600 MW超临界火电机组DCS测量数据中,经过训练后的LS-SVM模型对再热蒸汽温度数据的检验样本进行不良值检测与真实值预测,均方根误差和平均相对误差分别为0.067%和0.050%,均方根误差是BP网络模型、RBF网络模型的8.756%和8.272%,平均相对误差是BP网络模型、RBF网络模型的7.541%和7.236%。应用结果表明,最小二乘支持向量机方法优于多层BP与RBF神经网络法,能很好地满足异常检测与真实值预测要求。     

基于S-ARIMA模型的无线通信网络业务量预测方法

针对当前业务量预测方法过于理想化、预测准确度不高等问题,根据现网业务量特征提出了一种基于乘积季节自回归求和移动平均(S-ARIMA)模型的业务量预测方法.依据现网业务量的特征,详细分析了基于S-ARIMA的业务量预测建模的数学过程,经过现网大量业务量数据验证,S-ARIMA模型相比其他模型方法在预测值和置信区间上均具有较好的结果,是一种合理有效的业务量预测方法.     

基于主成份分析的异常检测方法研究

针对现有的无监督异常检测技术的不足之处，提出了一种基于样本分布异常数据实例度量方法。针对数据对象是高维数据的问题，将主成份分析方法应用到异常检测中解决数据集的降维问题。在此基础上，提出了一种新的无监督异常检测算法μ-UAD，并对该算法进行了性能评估。     

Application of Bayesian Dynamic Forecast in Anomaly Detection

A macroscopical anomaly detection method based on intrusion statistic and Bayesian dynamic forecast is presented. A large number of alert data that cannot be dealt with in time are always aggregated in control centers of large-scale intrusion detection systems. In order to improve the efficiency and veracity of intrusion analysis, the intrusion intensity values are picked from alert data and Bayesian dynamic forecast method is used to detect anomaly. The experiments show that the new method is effective on detecting macroscopical anomaly in largescale intrusion detection systems.     

TCP/IP骨干通信网流量规律性及异常检测方法

针对TCP/IP骨干网，提出一种新的基于业务流量周期规律特性的建模与异常检测方法. 该方法通过挖掘骨干网主要业务流量的规律性，结合时间序列分析方法，有效地预测流量的变化趋势，避免了对复杂的流量非线性趋势进行建模分析.     

基于Morlet-SVR和ARIMA组合模型的网络流量预测

针对网络流量的非线性和多维度动力学特性,结合小波多尺度分析的能力,提出了基于Morlet小波核函数的支持向量机回归算法（Morlet-SVR）和自回归积分滑动平均模型（ARIMA）的组合模型预测网络流量.采用Morlet-SVR和ARIMA分别预测通过Mallat小波分解和单支重构得到的近似信号和多尺度细节信号,最后通过线性叠加得到最终预测结果.通过仿真实验分别对比分析了基于径向基核函数的支持向量机回归算法和ARIMA预测模型,通过3种误差评估得知该组合模型具有更高的预测精度.     

关于磁异常探测的若干问题

评论了磁异常探测(MAD)系统。比较详细地介绍了两种系统:一个系统利用原子磁力仪原理,由美国海军资助;另一个系统利用高温量子干涉器测量全部磁梯度张量元素,由澳大利亚国防科学与技术组织(DSTO)资助,取名MAGSAFE。MAGSAFE与用于地质勘探的GETMAG有相同的设计。     

高斯过程回归补偿ARIMA的网络流量预测

为提高网络流量时间序列的中期预测精度,提出一种高斯过程回归模型补偿自回归积分滑动平均(ARIMA)模型的网络流量预测模型.首先通过Brock-Dechert-Scheinkman统计量检验方法确定网络流量时间序列包含线性特征与非线性特征;然后利用ARIMA模型对网络流量时间序列进行非平稳建模,得到符合网络流量序列线性变化规律的模型,并通过人工蜂群算法优化的高斯过程回归模型对具有非线性特性的预测误差序列进行建模与预测;最后将ARIMA模型的预测值与高斯过程回归模型的预测误差值进行相加得到最终的网络流量预测值.仿真对比实验结果表明,提出的预测方法具有更高的预测精度和更小的预测误差.     

油田产量预报的多维时间序列神经网络模型

对注水开发油田，提出一种新的油田动态研究模型，即油田产油量、产水量多维时间序列神经网络预测器。同时考虑油田增产措施和油田开发过程时变性，对各种随机干扰因素具有自适应性。从信息论角度出发，利用神经网络非线性时间序列预测模型，构造了油田产油量、产水量的多维时间序列神经网络预测器。结果表明，该预到器具有较高的预测精度，适合于油田各个阶段的产油量、产水量的动态预报。完善了油田产油量、产水量动态预报理论。最后给出了一个动态预报的实例。