一种基于小波变换和ARIMA的短期电价混合预测模型

为在实时电价情况下预测未来24小时电价, 提出一种基于小波变换和差分自回归移动平均(ARIMA)的短期电价混合预测模型。该模型分别根据是否受到需求量影响使用ARIMA模型对多尺度小波变换分解后的时间序列进行预测。同时提出一种电价突变点发现和处理算法。使用澳大利亚新南威尔士州2012年真实数据验证表明, 相对ARIMA预测, 改进后的混合模型在不考虑需求量影响时预测精度更高; 电价突变点发现和处理算法能够准确处理电价异常点, 提高预测精度。     

综采工作面瓦斯数据时间序列预测方法研究

针对现有基于时间序列的瓦斯浓度预测方法存在算法复杂、预测步长较短等问题,根据瓦斯浓度历史监测数据的随机性与时序性,提出了一种基于ARIMA+GARCH组合模型的综采工作面瓦斯数据时间序列预测方法。首先建立ARIMA预测模型,对瓦斯浓度数据进行平稳化处理,并确定模型的参数估计;然后在预测模型的可靠性通过检验后,针对ARIMA模型在预测过程中存在的均值回归问题,采用GARCH模型模拟ARIMA产生的拟合残差,并将模拟出的结果作为ARIMA模型中预测的噪声项,以此优化预测结果。测试结果表明,基于ARIMA+GARCH组合模型的瓦斯浓度预测方法能够反映瓦斯浓度真实值的变化趋势,平均绝对误差、相对百分误差绝对值、标准差、均方误差4项判断指标都很小,具有较高的预测精度。     

基于小波-支持向量机的工业取水异常数据挖掘与重构

提高取水监测数据质量是水资源管理中的紧迫问题.以工业取水监测数据为样本,梳理其异常类别,按照"粗筛选-精识别-再重构"思路,提出基于分段式3σ准则与小波变换、Fourier函数相结合的多尺度工业取水监测异常数据识别方法.采用自适应惯性函数与粒子群优化的最小二乘支持向量机模型重构恢复异常数据.结果表明,分段式3σ准则对数据的粗处理效果较好,采用Fourier函数可有效降低数据小波变换中的信息损失,提高异常数据的识别精准度.采用惯性函数-粒子群优化的LSSVM模型可满足异常数据较高精度的重构恢复需求,其重构精度强于LSSVM、PSO-LSSVM和传统的曲线拟合方法.该方法可为提高水资源数据的决策支持能力提供良好的方法参考.     

基于混合方法的多维时间序列驾驶异常点检测

针对传统异常点检测模型难以准确分析汽车驾驶异常行为的情况,建立一种基于自动编码器与孤立森林算法的多维时间序列汽车驾驶异常点检测模型。利用滑动窗口计算原始多维时间序列范数、范数变化率及相关统计信息值提取数据特征,通过自动编码器重构特征数据,并结合孤立森林算法实现异常点检测。实验结果表明,与基于LOF、OCSVM、iForest和LSTM-AE的异常点检测模型相比,该模型的召回率和F1度量值可分别提升至6%和2.4%以上,综合性能更优。     

基于ARIMA与BP的水利工程投资预测模型研究

为了提高时间序列短期预测的精度,提出了把ARIMA模型和BP神经网络模型进行组合预测的思路.将该组合模型应用在南水北调在建工程项目投资预测中,利用多种定阶准则对不同ARIMA模型的预测效果进行比较,指出多种定阶准则各有利弊;然后利用BP神经网络将不同ARIMA模型预测值进行进一步组合预测.实验结果表明,组合模型充分发挥了两种模型各自的优势,比单一的预测方法具有更高的精度,在时间序列短期预测中预测效果良好.     

基于时序分析的综合能源业务潜力预测模型设计

传统方法在综合能源业务潜力预测时,未进行数据标准化处理,能源预测值与实际结果不符,为此,本文设计一种基于时序分析的综合能源业务潜力预测模型.通过异常值剔除、缺失值补足、数据标准化和时间序列编写等步骤完成样本数据预处理过程;通过分解时间序列判断预处理后数据时间序列平稳性,构建综合能源业务潜力预测模型,输入测试数据到模型中...     

基于ARIMA模型的游客人数分析与预测

通过确定ARIMA模型参数,建立预测中国国内游游客人数的预测模型,为中国未来旅游人数预测提供参考。首先选取1994-2015年的国内游游客人数作为训练数据,判断时间序列是否平稳,若不平稳则进行平稳性处理;然后确定模型参数,建立预测模型;最后按照构建好的ARIMA模型对2016-2018年的国内游游客人数进行预测。实验表明,ARIMA模型能较好地对国内游游客人数进行预测。     

基于异常值检测的电梯交通流预测方法

提出一种基于异常值检测的电梯交通流递归预测方法。对电梯交通流进行时间序列分析得到初始季节时间序列模型,引入异常值检测过程,检测出训练数据中的异常值并进行修正,利用修正序列得到最终的季节时间序列模型。把最终的季节时间序列模型转化为状态空间形式,通过卡尔曼滤波实时调整状态向量,实现电梯交通流的在线预测。仿真结果证明该方法有效。     

ARIMA模型在农产品价格预测中的应用

利用农产品价格时间序列的当前值和过去值准确预报未来值,将有利于正确引导农产品流通和农业生产,实现农产品区域供求平衡,并为政府和农户提供结构调整的依据。针对农产品价格这一重要问题,以白菜月价格数据为例,构建非平稳时间序列ARIMA（p,d,q）模型并预测白菜未来的月价格。结果表明ARIMA（0,1,1）模型能很好地模拟并预测白菜月价格趋势,为农产品市场信息的准确预测提供重要方法。     

ARIMA和LSTM方法长时间温度观测数据缺失值插补的比较

针对野外小气象观测站点半小时温度观测长时间数据缺失问题,结合较低频次的人工温度观测数据,采用时间序列分析和深度学习等方法,对缺失的半小时温度观测数据进行高精度插补。首先,选用深度学习数据插补中的序列-序列（Seq2Seq）方法,建立了适合高精度温度数据插补需求的编码-解码深度学习模型BiLSTM-I;然后,选用了传统的代表性方法,从时间序列回归分析——差分整合移动平均自回归模型（ARIMA）状态方程形式中,获取卡尔曼平滑状态估计方程的各项参数,由卡尔曼平滑估计实现对温度观测数据缺失值的插补。实验分析结果表明,所设计的BiLSTM-I深度学习气温插补方法要优于时间序列的双向递归插补方法（BRITS-I）。对缺失值时间窗口为30 d的测试集,测试结果中均方根误差（RMSE）为0.47℃,相较于BRITS-I得到的RMSE,精度提升了0.90;对缺失值时间窗口为60 d的测试集,RMSE为0.49℃,相较于BRITS-I得到的RMSE,精度提升了0.90;基于ARIMA状态模型的插补方法也有较高的精度,RMSE为0.75℃。最后,还分析了BiLSTM-I深度学习插补方法对不同温度缺失时间长度...     

基于LOF与CEEMD的城镇取用水监测数据异常值识别

为有效识别城镇取用水监测数据异常值,提高数据的可靠性与真实性,结合局部异常因子(LOF)算法与互补集成经验模态分解(CEEMD)法,开发城镇取用水监测数据异常值自动识别的方法.先应用LOF进行可直观异常值识别,再应用CEEMD对修正后的数据序列进行频谱分解,通过低频叠加分量拟合序列并设定相对误差阈值用以识别不可直观异常...     

局部加权回归LSTM的带宽异常值预测

CDN带宽异常值的预测和准确告警一直是网络运营的重点和难点,为此在时间序列LSTM(long short term memory network)基础之上,提出并实现了一套新的算法框架——局部加权回归串行LSTM.框架采用时序插值采样方法构造数据集,局部加权算法融入最小二乘回归拟合模型进行初始预测,预测结果串行LSTM...     

M-TAEDA:多变量水质参数时序数据异常事件检测算法

在供水管网中部署传感器网络实时获取多个水质参数时间序列数据,当供水管网发生污染时,高效准确地检测水质异常是一个重要问题。提出多变量水质参数时间异常事件检测算法（M-TAEDA）,利用BP模型分析多变量水质参数的时序数据,确定可能离群点;结合贝叶斯序贯分析独立更新每个参数的事件概率,预测单个传感器节点检测的异常概率;将单变量的事件概率融合为统一多变量事件概率,融合判断异常事件。实验结果表明：BP模型模拟多变量水质参数进行预测可以达到90%精确度;与单变量参数时间异常事件检测算法（S-TAEDA）相比,M-TAEDA可以提高异常检出率约40%,降低误报率约45%。     

一种基于LLM的高维时间序列数据异常检测方法

以国家重大建设项目稽察中的数据一致性判别问题为应用背景,针对时间序列型高维数据提出了一种基于局部线性映射(Local Linear Mapping,LLM)的数据变换方法,该方法将各高维数据点通过其相邻点的线性重构映射至低维空间,从而很好地保留了高维空间中各数据点与相邻数据点的相关性。基于LLM的映射特性,提出了三种异常指标,并将其应用于面向国家重大建设项目稽察数据一致性判别问题的高维时间序列数据异常检测中。数值计算表明,所提出的方法对时间序列异常检测具有很好的效果,适合于较大规模高维时间序列数据的异常检测应用。     

基于改进SVM的电力企业信息系统异常检测方案的优化

近年来,电力企业信息系统的网元数量不断增多,数据处理规模不断扩大,数据类型日益复杂,导致系统的异常事件频发。论文提出采用改进SVM算法对传统异常检测方案进行优化,并通过两步交叉验证的方法提高了SVM参数寻优质量,显著强化了该算法的主动分析和预测能力。结合电力企业信息系统异常的特征,构建了同点时间序列模型,并实现了对网络性能异常点的实时化检测。     

Outliers detection in multivariate time series by independent component analysis

In multivariate time series, outlying data may be often observed that do not fit the common pattern. Occurrences of outliers are unpredictable events that may severely distort the analysis of the multivariate time series. For instance, model building, seasonality assessment, and forecasting may be seriously affected by undetected outliers. The structure dependence of the multivariate time series gives rise to the well-known smearing and masking phenomena that prevent using most outliers' identification techniques. It may be noticed, however, that a convenient way for representing multiple outliers consists of superimposing a deterministic disturbance to a gaussian multivariate time series. Then outliers may be modeled as nongaussian time series components. Independent component analysis is a recently developed tool that is likely to be able to extract possible outlier patterns. In practice, independent component analysis may be used to analyze multivariate observable time series and separate regular and outlying unobservable components. In the factor models framework too, it is shown that independent component analysis is a useful tool for detection of outliers in multivariate time series. Some algorithms that perform independent component analysis are compared. It has been found that all algorithms are effective in detecting various types of outliers, such as patches, level shifts, and isolated outliers, even at the beginning or the end of the stretch of observations. Also, there is no appreciable difference in the ability of different algorithms to display the outlying observations pattern.     

基于井下人员的异常轨迹分析方法研究

针对井下作业人员轨迹数据信息多维度和稀疏性等问题,提出了基于离群点的异常轨迹筛选ZFMTRAOD算法,首先通过对轨迹子段建立R-tree索引提升检索速度,然后利用离群检测思想对邻域半径内轨迹子段的数量和平均时间判断轨迹是否异常,最后利用井下作业人员的轨迹数据对算法的性能进行比较,发现基于离群点的井下人员轨迹分析算法不仅能判别出井下作业人员异常轨迹的类型,还提高了异常轨迹判别的准确率。     

基于RNN的低压变压器区域日线损率基准测试

输变电线路损耗是输变电阶段的固有现象,其是评价低压变压器区域日线损率的重要指标和基准。当对大数据样本上进行训练时,区域的数量通常非常大,并且线损率数据集包含大量的异常值。为了准确的计算低压变压器区域日线损率,提出了一种具有去噪自动编码器(DAE)多径网络模型的鲁棒神经网络(RNN)方法,利用丢包层、L2正则论和Huber损失函数的优点获得多种不同的输出,并利用比较结果计算出基准值和合理区间,实现了精确评估采样数据集的质量并消除线损率的异常值,从而提高数据检测的稳定性。通过与传统的机器学习模型相比,所提出的RNN具有较好的鲁棒性和准确性。根据所提出的RNN的最终结果,在整个数据点中约有13%的异常值,一个月内线损率无缺失值和异常值的区域仅占20%左右,说明了计电设备可靠性较低。     

A pattern-based outlier detection method identifying abnormal attributes in software project data

Despite the importance of the quality of software project data, problematic data inevitably occurs during data collection. These data are the outliers with abnormal values on certain attributes, which we call the abnormal attributes of outliers. Manually detecting outliers and their abnormal attributes is laborious and time consuming. Although few existing approaches identify outliers and their abnormal attributes, these approaches are not effective in (1) identifying the abnormal attributes when the outlier has abnormal values on more than the specific number of its attributes or (2) discovering accurate rules to detect outliers and their abnormal attributes. In this paper, we propose a pattern-based outlier detection method that identifies abnormal attributes in software project data: after discovering the reliable frequent patterns that reflect the typical characteristics of the software project data, outliers and their abnormal attributes are detected by matching the software project data with those patterns. Empirical studies were performed on three industrial data sets and 48 artificial data sets with injected outliers. The results demonstrate that our approach outperforms five other approaches by an average of 35.27% and 107.5% in detecting the outliers and abnormal attributes, respectively, on the industrial data sets, and an average of 35.44% and 46.57%, respectively on the artificial data sets.     

基于水流分割的石油钻井水流异常检测

通过对钻井管道水流的智能监控技术实现,可以解决石油钻井污染气体的自动监测问题,最大程度的减少人工监测成本;但是依然有以下几个难点需要攻克:(1)传统的特征提取方式不能描述水流形态的变化过程;(2)因为异常情况发生的概率很低,所以异常样本稀少,全监督的方法不再适用;为解决特征提取问题,提出了一种基于图像分割的新特征特提取方式——形态流,形态流可以从时序上描述水流形态的变化;另一方面,为克服异常样本稀少的问题,通过无监督的方式——多元高斯建模,来判别水流数据是否正常;实验表明在水流异常数据检测任务中算法检测精度达到了93.6%,在使用GPU并行加速处理时可达到28帧每秒的处理速度,能够准确地检测出水流数据中的异常数据帧。