基于融合学习的无监督多维时间序列异常检测

随着多云时代的到来，云际智能运维能够提前检测处理云平台的故障，从而确保其高可用性.由于云系统的复杂性，运维数据在数据局部性和数据全局性上呈现出多样的时间依赖和维度间依赖，这给多维时间序列异常检测带来很大的挑战.然而，现有的多维时间序列异常检测方法大多是从正常时序数据中学习到特征表示并基于重构误差或预测误差检测异常，这些方法无法同时捕获多维时间序列在局部性和全局性上的信息依赖，从而导致异常检测效果差.针对上述问题，提出了一种基于融合学习的无监督多维时间序列异常检测方法，同时对多维时间序列的数据局部特征和数据全局特征进行建模，得到更加丰富的时序重构信息，并基于重构误差检测异常.具体地，通过在时域卷积网络中引入自注意力机制使得模型在构建局部关联性的同时更加关注数据全局特征，并在时域卷积模块和自注意力模块间加入信息共享机制实现信息融合，从而能够更好地对多维时序的正常模式进行重构.在多个多维时间序列真实数据集上的实验结果表明，相较于之前的多维时间序列异常检测，提出的方法在F1分数上提升了高达0.0882.     

基于小波变换多维时间序列最新变化点检测

现代数据科学中存在大量的多维时间序列数据,检测多维时间序列中的最新变化点对于短期预测很重要。一种改进的方法被提出,以检测此类多维时间序列数据中最新变化点。通过使用小波变换,将多维时间序列中的变化点检测问题转化为相对较容易的多维面板数据中的变化点检测问题。该方法旨在跨时间序列合并信息,以便优先推断多个序列中同一时间点的最...     

多维时间序列数据符号化表示方法的研究

提出了一种简单高效的多维离散时间序列符号化方法,该方法用模糊自适应共振理论（Fuzzy ART）对多维时间序列数据进行聚类,实现多维时间序列数据的符号化问题。同时,通过属性相关性预处理分析,过滤掉聚类中不相关或弱相关的属性,保证了聚类算法的准确性,将提出的算法应用于多维交通流数据的符号化,效果很好。     

基于多维泰勒网的非线性时间序列预测方法及其应用

针对非线性时间序列, 提出一种基于多维泰勒网的时间序列预测方法. 其特点在于利用非线性时间序列的观测数据, 通过多维泰勒网得到?? 元一阶多项式差分方程组, 在无需待预测系统的任何先验知识和机理的情况下获得动力学特性描述, 实现对非线性时间序列的预测. 最后分别采用Lorenz 混沌时间序列, 以及某大型建筑在顶升施工安全性监测中的结构振动响应数据进行实证研究, 所得结果表明了该方法的有效性.

     

结合形状特征及其上下文的多维DTW

传统动态时间规整算法（Dynamic Time Warping,DTW）及其变种算法被广泛应用于多维时间序列的相似性分析,但它们通常只关注单个时间点的信息而忽略了上下文信息,从而很可能匹配两个形状完全不同的点。因此提出一种结合形状特征及其上下文的多维DTW算法（Multi-Dimensional Contextual Dynamic Time Warping,MDC-DTW）。该算法首先计算多维时间序列的一阶梯度,然后对其进行采样处理,并以多维梯度矩阵表示当前时间点的形状信息及其上下文信息,最后利用DTW求解多维时间序列间的最短匹配路径。为检测算法设计的合理性,对算法进行了定性分析和定量分析,实验结果表明MDC-DTW算法设计是合理的;为检测MDC-DTW的性能,选用5个多维时间序列数据集,并与4个优异的多维DTW算法进行对比实验,实验结果表明MDC-DTW具有较高的准确率和运行效率。     

运动序列的时空结构特征表示模型

运动序列是一种与运动信号相关的多维时间序列,各个维度序列之间具有高耦合性的特点。现有的多维序列表征方法大多基于维度间相互独立的假设或缺乏可解释性,为此,提出一种适用于运动序列的时空结构特征表示模型及其两阶段构造方法。首先,基于空间变化事件的转换方法,将多维时间序列变换成一维事件序列,以保存序列中的空间结构特性。接着,定义了一种时空结构特征的无监督挖掘算法。基于新定义的表示度度量,该算法从事件序列中提取一组具有代表性的低冗余变长事件元组为时空结构特征。在多个人类行为识别数据集上的实验结果表明,与现有多维时间序列表示方法相比,新模型的特征集更具代表性,在运动序列模式识别领域可以有效提升分类精度。     

基于GGInformer模型的多维时间序列特征提取与预测研究

随着大数据与物联网技术的迅猛发展,多维时间序列数据的应用范围变得更加广泛。面对大量的非线性、高维冗余特征的复杂时间序列,传统的时间序列分析方法已经不能很好地解决多维时间序列的复杂高维特征问题,从而导致预测效果欠佳。针对以上问题,通过对遗传算法和Informer模型进行改进,并融合GRU网络,提出了GGInformer模型。该模型不仅可以有效提取多维时间序列的关键特征,而且较好地解决了长程依赖问题。为了验证模型的预测能力,选取了2种实际数据集与3种公共基准数据集进行实验,相比较Informer基准模型,GGInformer模型在5种数据集上的MSE分别降低了22%,13%,20%,23%和38%。实验结果表明,GGInformer模型可以有效解决多维时间序列数据的复杂特征提取问题,并可以进一步提高时序预测能力。     

基于形状特征k-d树的多维时间序列相似搜索

多维时间序列是信息系统中一类重要的数据对象,相似搜索是其应用的一个核心.两个序列(子序列)相似度加以比较的常用方法是:将序列(子序列)转换成空间中的曲线,然后计算曲线间的欧几里德距离.这种方法的主要缺陷是它仅考虑了序列(子序列)间的整体距离关系,而不能体现它们自身的局部变化.针对此问题,提出了一种新的可应用于多维时间序列的快速相似搜索方法.该方法将序列(子序列)的局部变化特性与检索结构(k-d树)结合起来,使得在搜索k-d树的同时实现了序列(子序列)的局部变化匹配,从而极大地提高了查询效率和正确率.实验结果表明了算法的有效性.     

基于相关性分析的工业时序数据异常检测

多维时间序列上的异常检测,是时态数据分析的重要研究问题之一.近年来,工业互联网中传感器设备采集并积累了大量工业时间序列数据,这些数据具有模式多样、工况多变的特性,给异常检测方法的效率、效果和可靠性均提出更高要求.序列间相互影响、关联,其隐藏的相关性信息可以用于识别、解释异常问题.基于此,提出一种基于序列相关性分析的多维时间序列异常检测方法.首先对多维时间序列进行分段、标准化计算,得到相关性矩阵,提取量化的相关关系;然后建立了时序相关图模型,通过在时序相关图上的相关性强度划分时间序列团,进行时间序列团内、团间以及单维的异常检测.在真实的工业设备传感器数据集上进行了大量实验,实验结果验证了该方法在高维时序数据的异常检测任务上的有效性.通过对比实验,验证了该方法从性能上优于基于统计和基于机器学习模型的基准算法.该研究通过对高维时序数据相关性知识的挖掘,既节约了计算成本,又实现了对复杂模式的异常数据的精准识别.     

基于多维时间序列挖掘的降雨天气模型研究

为研究降雨天气中降雨量和相关气象要素的关系,找出降雨前后相关气象要素的变化规律,提出了多维时间序列数据挖掘模型.该模型首先对气象要素时间序列进行维度选择预处理,剔除不相关及冗余维度,然后运用提出的极值斜率分段线性拟合法对时间序列进行分段、数据压缩及特征值提取,最后使用k-means聚类算法对处理后的多维序列进行符号化,利用规则提取得到降雨天气模型.实验结果表明了该模型具有较好的实用价值.     

基于关联函数的动态聚类算法及应用

根据时序立体数据的特点,提出了基于关联函数一致性矩阵的动态聚类算法。给出了适用于时序立体数据关联函数的改进标准关联函数计算公式,并将该算法应用于乙烯裂解炉报警系统,结合流程的时序立体数据,得到了裂解炉报警系统的动态聚类分类结果,并验证了提出算法的有效性。本文算法对于时序数据的聚类具有较强的鲁棒性。     

面向多维时间序列的过程决策树模型

为解决多维时间序列的分类并获取易于理解的分类规则,引入了时序熵的概念及构造时序熵的方法,基于属性选择和属性值划分两方面扩展了决策树模型。并给出了两种构造多维时间序列分类的决策树模型算法。最后,采用移动客户流失的真实数据,对过程决策树进行测试,展示了方法的可行性。     

基于层次分析的全信息生成算法及其应用

根据时序立体数据的特点，提出了基于一致性判断矩阵的动态层次分析算法，在此雉础上结合全信息的定义，提出了时序立体数据的全信息生成算法。并将该算法应用于乙烯裂解炉报警系统，结合流程的时序立体数据，建立了裂解炉报警系统的全信息，验证了所提算法的有效性。该算法对于时序数据的信息集成具有较强的实用性。     

时间序列可变尺度的时频特征求解及其分类

对于许多实际应用来说,获取多个不同窗口尺度上的模式,有助于发现时间序列的不同规律性特征.同时,通过对时间序列时域和频域两方面的分析,有助于挖掘更多的知识.提出了一种新的基于可变尺度的时域频域辨别性特征挖掘方法以及应用于分类的算法.主要采用了不同尺度窗口、符号聚合近似技术以及符号傅里叶近似技术等,以有效地发掘时间序列不同尺度时域频域模式;与此同时,使用统计学方法挖掘部分最具辨别性的特征用于时间序列分类,有效地降低了算法时间复杂度.在多个数据集上的对比实验结果,说明了该算法具有较高的准确率;在真实数据集上的解析,表明了该算法具有更强的可解释性.同时,该算法可扩展应用到多维时间序列分类问题中.     

短记忆性时间序列的建模分析及预测

AR模型作为时间序列模型的一种,由于其参数估计和定阶简单而广泛用于系统辨识.在多维AR序列的最小二乘建模的基础上,结合Kalman滤波算法,推导了应用Kalman滤波技术的多维AR序列参数估计方法.该算法无需保存历史数据,可对AR模型的估计参数进行实时的修正.在确定AR模型阶数时,提出了两步F检验法.选取上证某A股收益序列作为样本,利用时间序列相关性分析对该算法的有效性进行验证;对时间序列的RMSE和MAD指标进行比较,结果表明该算法大大减少了建模过程中的计算工作量,并具有较好的预测性.     

基于离均差的时间序列相似性度量

 时间序列的相似性度量是数据挖掘领域研究的一个热点,高维多元时间序列数据一般含有大量的噪声不利于相似性的比较。针对现有的时间序列度量方法存在的问题,在改进的时间序列自底向上融合算法的基础上,提出一种新的基于离均差的时间序列相似性度量的夹角余弦算法(Angle Cosine Metric Similarity,ACMS)。ACMS算法将时间序列等价为一个多维度的向量,充分考虑2个向量的方向和大小特征,增强振幅变化的鲁棒性,减少人为干扰,对数据挖掘中的聚类和预测具有帮助作用。