CN110083803A - 基于时间序列arima模型取水异常检测方法与系统 - Google Patents
基于时间序列arima模型取水异常检测方法与系统 Download PDFInfo
- Publication number
- CN110083803A CN110083803A CN201910323562.2A CN201910323562A CN110083803A CN 110083803 A CN110083803 A CN 110083803A CN 201910323562 A CN201910323562 A CN 201910323562A CN 110083803 A CN110083803 A CN 110083803A
- Authority
- CN
- China
- Prior art keywords
- data
- time series
- value
- water withdrawal
- stationarity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于时间序列ARIMA模型取水异常检测方法与系统,属于水资源利用监测技术领域。在国家水资源的监控过程中,不同区域,不同取水点的有各自的取水数据,将这些数据作为可靠的时间序列模型的数据输入,并通对数据平稳性进行分析,并进行平稳性处理,将非平稳的时间序列转化为平稳的时间序列;通过自相关函数和偏相关函数分别求出自相关系数和偏相关系数,并通过ARIMA模型求出最后数据的拟合曲线,最后通过判断拟合数据和真实数据的残差是否符合高斯分布的3σ准则判断是否异常,对于异常值,可以通过拟合曲线给出修正值。本发明可以实现监测数据质量评价,并为数据完善过程提供参考修正值,有效提高了监测工作效率和质量。
Description
技术领域
本发明涉及一种基于时间序列ARIMA模型取水异常检测的方法与系统,属于水资源使用监测技术领域。
背景技术
目前国家水资源监控能力建设项目一期建设水资源取用水监测点17000个左右,每年产生近1.5亿条监测记录,这些监测值存在超出预设极值等异常现象,也存在缺报漏报情况,出现的这些问题对后期水资源的使用,以及水资源的建设有很大的影响。目前对于海量监测数据的异常判别种类单一,仅依靠有限的业务规则和统计方法很难覆盖所有异常情况的数据,异常判别准确率不高。
发明内容
发明目的:针对现有技术存在的上述问题,本发明目的是提出一种基于时间序列ARIMA模型取水异常检测的方法与系统,提高异常数据判别的准确率,并可进一步提供异常数据的修正参考值。
技术方案:为实现上述发明目的,本发明采用如下技术方案:
一种基于时间序列ARIMA模型取水异常检测方法,主要包括如下步骤:
(1)收集取水点的日取水量和小时取水量数据;
(2)根据数据的业务逻辑规则对收集的数据进行预处理和清洗;
(3)对日取水量的时间序列数据进行平稳性判断,若为非平稳序列数据则通过差分进行平稳性处理,否则不做处理;
(4)对日取水量时间序列数据进行自相关系数和偏相关系数求解;
(5)将步骤(3)中的差分次数以及步骤(4)中的自相关系数和偏相关系数分别作为ARIMA(p,d,q)模型中的参数d,p和q的值,通过拟合函数求解出日取水量时间序列数据的拟合曲线;
(6)计算取水量原始数据与拟合曲线数据之间的残差,计算残差的均值μ,标准差σ,并检验残差是否符合统计方法中高斯分布的3σ准则,如果残差在区间(μ-3σ,μ+3σ)之间则为正常值,否则为异常值。
在优选的实施方案中,步骤(6)中判断出原始数据为异常时,通过拟合曲线可以给出异常值的参考修正值。
在优选的实施方案中,步骤(2)中对收集的数据进行预处理和清洗的步骤包括:
步骤21:清洗取水量小于0的数据;
步骤22:清洗取水量为空的值;
步骤23:清洗取水量为NA的值;
步骤24:清洗重复出现的值;
步骤25:清洗日取水量数据比小时取水量推后的数据;
步骤26:清洗当天的小时取水量累计值与当天日水量的数据不符。
在优选的实施方案中,步骤(3)中包括:
步骤31:通过单位根检验方法判断日取水量的时间序列数据的平稳性,如果通过单位根检验方法能够确定日取水量的时间序列数据具有平稳性,则进行步骤32;如果日取水量数据具有平稳性,则不需要进行处理,即可以知道ARIMA(p,d,q)模型中参数d的值为0;
步骤32:通过差分方法对时间序列数据进行平稳性处理;每次差分后,判断差分后的取水时间序列数据是否为平稳性时间序列数据;如果为平稳性时间序列数据,则停止差分,此时ARIMA(p,d,q)模型中参数d的值为差分的次数,如果差分后,该时间序列仍然为非平稳性时间序列数据,则继续对该序列进行差分。
在优选的实施方案中,步骤(4)中对日取水量时间序列数据的自相关系数和偏相关系数求解,包括:
步骤41:输入平稳性的日取水量的时间序列的数据,通过自相关函数求出相应的自相关系数p;自相关函数曲线和置信区间上边线的交点的横坐标为参数p的值;
步骤42:输入平稳性的日取水量的时间序列的数据,通过偏相关函数求出相应的偏相关系数q;偏向相关函数曲线和置信区间上边线的交点的横坐标为参数q的值。
在优选的实施方案中,步骤(6)中对异常数据的判断,包括如下步骤:
步骤61:根据原始的日取水量的取值和通过拟合函数的拟合的值进行作差,得出两者之间的残差;
步骤62:通过对残差分析,求出残差的均值μ和标准差σ;
步骤63:判断残差是否在区间(μ-3σ,μ+3σ)之间,若在该区间,则残差若对应的原始数据的为正常值,否则为异常值;
步骤64:通过步骤63可以得出异常值对应的拟合曲线的值,则该值为异常值的参考修正值。
基于相同的发明构思,本发明所述的一种基于时间序列ARIMA模型取水异常检测系统,包括至少一台计算机设备,所述计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被加载至处理器时实现所述的基于时间序列ARIMA模型取水异常检测方法。
有益效果:本发明采用的ARIMA模型可以拟合平稳性时间序列数据在某段时间的趋势,通过拟合曲线数据和原始数据作差可以得到残差,即残差可以抵消原始数据的趋势,将有趋势的点转化为离散的点,最后通过高斯分布的3σ准则判断出异常值。并且本发明可进一步依据拟合曲线提供异常值的参考修正值。与现有技术相比,本发明可以实现监测数据质量评价,并为数据完善过程提供参考修正值,有效提高了监测工作效率和质量。
附图说明
图1为本发明实施例的流程框架图。
图2为本发明实施例中的日取水量散点图。
图3为本发明实施例中的日取水量散点、均值和标准差图。
图4为本发明实施例中的自相关函数图。
图5为本发明实施例中的偏相关函数图。
图6为本发明实施例中的日取水量原始数据和拟合数据对比图。
图7为本发明实施例中的异常点判定结果图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示,本发明实施例提供的一种基于时间序列ARIMA模型取水异常检测方法,包含下列六个主要部分(取其中具有代表性的取水点汕头市自来水总公司2013年度的日取水量作为实测):
a)收集取水点的取水数据;
b)对取得数据进行预处理和清洗;
c)对数据进行平稳性判断和平稳性处理;
d)对时间序列数据的自相关系数和偏相关系数求解;
e)求解出拟合曲线;
f)判断出异常数据,并给出参考值。
上述各步骤具体描述如下。
a)收集取水点的取水数据:
使用取水设备收集该取水点2013年度的取水数据,取水数据包含该取水点的日取水量和每天的各小时取水量;
b)对取得数据进行预处理和清洗:
根据清洗的数据的原则,清洗取水量小于0的数据;清洗取水量为空的值;清洗取水量为NA的取水值;清洗重复出现的值;清洗小时取水量数据出现日期推后的数据;清洗当天的小时取水量累计值与当天日水量的数据不符的值。
c)对汕头市自来水公司2013年度的日取水数据进行平稳性判断和平稳性处理;
图2:绘制出汕头市自来水公司2013年度365天的日取水量的走势图;
图3:通过绘制出以12天为一个滑动窗口日取水量的原始数据,均值和标准差的图像走势,可以判断出该年度的日取水量的数据的原始数据,均值,标准差都是平稳的,即该年度的日取水量数据为平稳性数据。为了进一步对判断该时间序列数据是否具有平稳性,对该取水的点所取得的时间序列的日取水量数据进行单位根检验,可以判断出该日取水量时时间序列数据为平稳性数据。
通过观察日取水量数据的均值,标准差和通过单位根检验法都可以判断该取水点的日取水量的时间序列数据具有平稳性,则可以确定ARIMA模型中参数d取值为0;如果日取水数量据为非平稳性数据,则通过差分方法,进行平稳性处理,每次差分后都要进行平稳性检验,如果为平稳性数据,则差分次数为ARIMA(p,d,q)模型中的参数d的值,如果差分后的取水时间序列数据为非平稳性数列,则继续进行差分。
d)对时间序列数据的自相关系数和偏相关系数求解:
图4:将平稳性取水量时间序列数据输入到自相关函数中可以得到自相关函数图像,即ARIMA(p,d,q)模型中参数p的值为所得曲线与图像中第一条平行于x轴的虚线交点的横坐标,也就是该点以后的数据大概率在两条平行于x轴虚线之间,即在这之后的点在两条虚线确定的置信区间之间,如图4所示,可得参数p的值为4。
图5:将平稳性取水量时间序列数据输入到偏相关函数中可以得到偏相关函数图像,即ARIMA(p,d,q)模型中参数q的值为所得曲线与图像中第一条平行于X轴的虚线交点的横坐标,也就是该点以后的数据大概率在两条平行于x轴虚线之间,即在这之后的点在两条虚线确定的置信区间之间如图5所示,可得该参数q的值为2
e)求解出拟合曲线:
图6:通过步骤c和步骤d求出的参数d,p,q,代入ARIMA(p,d,q)模型,可以求出2013年该取水点取水时间序列数据的拟合曲线。
f)判断出异常数据,并给出参考值:
通过原始数据和拟合曲线求出每天取水数据之间的残差;
检验残差是否符合统计方法中高斯分布的3σ准则(其中μ为残差数据的均值,σ为残差数据的标准差)
3σ准则:数值分布在(μ-σ,μ+σ)中的概率为0.6827
数值分布在(μ-2σ,μ+2σ)中的概率为0.9545
数值分布在(μ-3σ,μ+3σ)中的概率为0.9973
如果符合,则该天的取水数据为正常数据,如果不符合,则该天的取水数据为异常数据;如果为异常数据,则通过拟合曲线中数据,给出异常值的修正参考值。
如图7所示,通过高斯分布的3σ准则,可以求出2013年度的取水异常的点,所有黑色加粗的点的都是异常点。
表1异常数据参考值
时间 | 第10天 | 第191天 | 第294天 | 第301天 | 第302天 |
异常值 | 55339 | 48849 | 36340 | 375044 | 84121 |
参考值 | 138058 | 13151 | 138686 | 144923 | 236426 |
表1给出了检测出2013年的该取水点的异常数据,以及根据拟合曲线求出异常值的参考值修正值。
采用本发明方法检测出取水异常值之后,可以进一步分析出现异常值的原因,例如传感器设备出现故障、取水设备老化,导致出现取水结果出现误差、操作员操作失误、出现自然灾害,等非人为因素的影响等等。
基于相同的发明构思,本发明实施例公开的一种基于时间序列ARIMA模型取水异常检测系统,包括至少一台计算机设备,该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该计算机程序被加载至处理器时实现的基于时间序列ARIMA模型取水异常检测方法。
综上,本发明首先将业务经验转化为异常判定规则对数据进行清洗过滤;然后构建ARIMA模型和统计学的高斯分布的3σ准则对完成清洗的水资源监测数据进行分析找出异常值;并且针对异常值,最后将参考修正值提供给用户作为参考。本发明通过借助平台及分析工具,可以实现监测数据质量评价,并为数据完善过程提供参考修正值,有效提高了监测工作效率和质量。
Claims (7)
1.一种基于时间序列ARIMA模型取水异常检测方法,其特征在于,包括如下步骤:
(1)收集取水点的日取水量和小时取水量数据;
(2)根据数据的业务逻辑规则对收集的数据进行预处理和清洗;
(3)对日取水量的时间序列数据进行平稳性判断,若为非平稳序列数据则通过差分进行平稳性处理,否则不做处理;
(4)对日取水量时间序列数据进行自相关系数和偏相关系数求解;
(5)将步骤(3)中的差分次数以及步骤(4)中的自相关系数和偏相关系数分别作为ARIMA(p,d,q)模型中的参数d,p和q的值,通过拟合函数求解出日取水量时间序列数据的拟合曲线;
(6)计算取水量原始数据与拟合曲线数据之间的残差,计算残差的均值μ,标准差σ,并检验残差是否符合统计方法中高斯分布的3σ准则,如果残差在区间(μ-3σ,μ+3σ)之间则为正常值,否则为异常值。
2.根据权利要求1所述的基于时间序列ARIMA模型取水异常检测方法,其特征在于,步骤(6)中判断出原始数据为异常时,通过拟合曲线可以给出异常值的参考修正值。
3.根据权利要求1所述的基于时间序列ARIMA模型取水异常检测方法,其特征在于,步骤(2)中对收集的数据进行预处理和清洗的步骤包括:
步骤21:清洗取水量小于0的数据;
步骤22:清洗取水量为空的值;
步骤23:清洗取水量为NA的值;
步骤24:清洗重复出现的值;
步骤25:清洗日取水量数据比小时取水量推后的数据;
步骤26:清洗当天的小时取水量累计值与当天日水量的数据不符。
4.根据权利要求1所述的基于时间序列ARIMA模型取水异常检测方法,其特征在于,步骤(3)中包括:
步骤31:通过单位根检验方法判断日取水量的时间序列数据的平稳性,如果通过单位根检验方法能够确定日取水量的时间序列数据具有平稳性,则进行步骤32;如果日取水量数据具有平稳性,则不需要进行处理,即可以知道ARIMA(p,d,q)模型中参数d的值为0;
步骤32:通过差分方法对时间序列数据进行平稳性处理;每次差分后,判断差分后的取水时间序列数据是否为平稳性时间序列数据;如果为平稳性时间序列数据,则停止差分,此时ARIMA(p,d,q)模型中参数d的值为差分的次数,如果差分后,该时间序列仍然为非平稳性时间序列数据,则继续对该序列进行差分。
5.根据权利要求1所述的基于时间序列ARIMA模型取水异常检测方法,其特征在于,步骤(4)中对日取水量时间序列数据的自相关系数和偏相关系数求解,包括:
步骤41:输入平稳性的日取水量的时间序列的数据,通过自相关函数求出相应的自相关系数p;自相关函数曲线和置信区间上边线的交点的横坐标为参数p的值;
步骤42:输入平稳性的日取水量的时间序列的数据,通过偏相关函数求出相应的偏相关系数q;偏向相关函数曲线和置信区间上边线的交点的横坐标为参数q的值。
6.根据权利要求1所述的基于时间序列ARIMA模型取水异常检测方法,其特征在于,步骤(6)中对异常数据的判断,包括如下步骤:
步骤61:根据原始的日取水量的取值和通过拟合函数的拟合的值进行作差,得出两者之间的残差;
步骤62:通过对残差分析,求出残差的均值μ和标准差σ;
步骤63:判断残差是否在区间(μ-3σ,μ+3σ)之间,若在该区间,则残差若对应的原始数据的为正常值,否则为异常值;
步骤64:通过步骤63可以得出异常值对应的拟合曲线的值,则该值为异常值的参考修正值。
7.一种基于时间序列ARIMA模型取水异常检测系统,包括至少一台计算机设备,所述计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被加载至处理器时实现根据权利要求1-6任一项所述的基于时间序列ARIMA模型取水异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910323562.2A CN110083803B (zh) | 2019-04-22 | 2019-04-22 | 基于时间序列arima模型取水异常检测方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910323562.2A CN110083803B (zh) | 2019-04-22 | 2019-04-22 | 基于时间序列arima模型取水异常检测方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110083803A true CN110083803A (zh) | 2019-08-02 |
CN110083803B CN110083803B (zh) | 2023-09-29 |
Family
ID=67416089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910323562.2A Active CN110083803B (zh) | 2019-04-22 | 2019-04-22 | 基于时间序列arima模型取水异常检测方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110083803B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503743A (zh) * | 2019-08-12 | 2019-11-26 | 浙江吉利汽车研究院有限公司 | 一种自动驾驶车辆的异常检测方法、装置和设备 |
CN111275307A (zh) * | 2020-01-16 | 2020-06-12 | 生态环境部华南环境科学研究所 | 一种水质自动在线站高频连续观测数据质量控制方法 |
CN111325466A (zh) * | 2020-02-20 | 2020-06-23 | 深圳壹账通智能科技有限公司 | 智能预警方法与系统 |
CN112597425A (zh) * | 2020-12-23 | 2021-04-02 | 深圳市宏电技术股份有限公司 | 流速测量数据中异常数据的检测方法、装置、设备及介质 |
CN115081840A (zh) * | 2022-06-09 | 2022-09-20 | 国网湖南省电力有限公司 | 一种基于一阶差分和arima法的日电量异常值检测与校正系统 |
CN117540179A (zh) * | 2024-01-10 | 2024-02-09 | 深圳市拓安科技有限公司 | 一种用于实现环境检测的方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2002228814B2 (en) * | 2000-11-09 | 2007-05-03 | International Business Machines Corporation | System and method for building a time series model |
WO2016101690A1 (zh) * | 2014-12-22 | 2016-06-30 | 国家电网公司 | 基于时间序列分析的输变电设备的状态监测数据清洗方法 |
CN107908891A (zh) * | 2017-11-28 | 2018-04-13 | 河海大学 | 一种基于arima‑svr的水文时间序列异常值检测方法 |
CN108564229A (zh) * | 2018-04-26 | 2018-09-21 | 广东省广业科技集团有限公司 | 一种基于arima模型的工业污水进水量预测的方法 |
-
2019
- 2019-04-22 CN CN201910323562.2A patent/CN110083803B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2002228814B2 (en) * | 2000-11-09 | 2007-05-03 | International Business Machines Corporation | System and method for building a time series model |
WO2016101690A1 (zh) * | 2014-12-22 | 2016-06-30 | 国家电网公司 | 基于时间序列分析的输变电设备的状态监测数据清洗方法 |
CN107908891A (zh) * | 2017-11-28 | 2018-04-13 | 河海大学 | 一种基于arima‑svr的水文时间序列异常值检测方法 |
CN108564229A (zh) * | 2018-04-26 | 2018-09-21 | 广东省广业科技集团有限公司 | 一种基于arima模型的工业污水进水量预测的方法 |
Non-Patent Citations (2)
Title |
---|
张峰等: "水资源监测异常数据模态分解-支持向量机重构方法", 《农业机械学报》 * |
方海泉等: "取用水监测点的水量计算与变化趋势分析", 《系统工程理论与实践》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503743A (zh) * | 2019-08-12 | 2019-11-26 | 浙江吉利汽车研究院有限公司 | 一种自动驾驶车辆的异常检测方法、装置和设备 |
CN110503743B (zh) * | 2019-08-12 | 2021-09-14 | 浙江吉利汽车研究院有限公司 | 一种自动驾驶车辆的异常检测方法、装置和设备 |
CN111275307A (zh) * | 2020-01-16 | 2020-06-12 | 生态环境部华南环境科学研究所 | 一种水质自动在线站高频连续观测数据质量控制方法 |
CN111275307B (zh) * | 2020-01-16 | 2023-09-05 | 生态环境部华南环境科学研究所 | 一种水质自动在线站高频连续观测数据质量控制方法 |
CN111325466A (zh) * | 2020-02-20 | 2020-06-23 | 深圳壹账通智能科技有限公司 | 智能预警方法与系统 |
WO2021164465A1 (zh) * | 2020-02-20 | 2021-08-26 | 深圳壹账通智能科技有限公司 | 智能预警方法与系统 |
CN112597425A (zh) * | 2020-12-23 | 2021-04-02 | 深圳市宏电技术股份有限公司 | 流速测量数据中异常数据的检测方法、装置、设备及介质 |
CN115081840A (zh) * | 2022-06-09 | 2022-09-20 | 国网湖南省电力有限公司 | 一种基于一阶差分和arima法的日电量异常值检测与校正系统 |
CN117540179A (zh) * | 2024-01-10 | 2024-02-09 | 深圳市拓安科技有限公司 | 一种用于实现环境检测的方法及系统 |
CN117540179B (zh) * | 2024-01-10 | 2024-04-12 | 深圳市拓安科技有限公司 | 一种用于实现环境检测的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110083803B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110083803A (zh) | 基于时间序列arima模型取水异常检测方法与系统 | |
CN111080502B (zh) | 一种区域企业数据异常行为的大数据识别方法 | |
Briand et al. | Quantitative evaluation of capture-recapture models to control software inspections | |
CN111275307A (zh) | 一种水质自动在线站高频连续观测数据质量控制方法 | |
CN103593470B (zh) | 一种双度集成的不均衡数据流分类算法 | |
CN108984708A (zh) | 脏数据识别方法及装置、数据清洗方法及装置、控制器 | |
CN112633998B (zh) | 税务大数据决策分析方法及系统 | |
CN109947815B (zh) | 一种基于离群点算法的窃电辨识方法 | |
CN114490156A (zh) | 一种时间序列数据异常标记方法 | |
CN109308225B (zh) | 一种虚拟机异常检测方法、装置、设备及存储介质 | |
CN111402236A (zh) | 一种基于图像灰度值的热轧带钢表面缺陷分级方法 | |
CN114020598B (zh) | 一种时间序列数据的异常检测方法、装置及设备 | |
CN115983687A (zh) | 一种冷轧带钢质量智能检测管理系统及方法 | |
CN113810792B (zh) | 一种基于云计算的边缘数据采集分析系统 | |
CN116089405A (zh) | 一种基于dbscan和knn算法的用电数据离群点检测与清洗方法 | |
CN105590026A (zh) | 基于主成分分析的卫星遥测回归方法 | |
CN116777917B (zh) | 一种光缆生产用缺陷检测方法及系统 | |
US20110015967A1 (en) | Methodology to identify emerging issues based on fused severity and sensitivity of temporal trends | |
CN112465397A (zh) | 一种审计数据的分析方法和装置 | |
CN110930258A (zh) | 一种应收账款融资变现规模预测方法及系统 | |
CN115904955A (zh) | 性能指标的诊断方法、装置、终端设备及存储介质 | |
CN115809805A (zh) | 基于边缘计算的电网多源数据处理方法 | |
CN115951295A (zh) | 一种日清电量异常的自动识别方法及系统 | |
CN113435464B (zh) | 异常数据检测方法、装置、电子设备及计算机存储介质 | |
US20210089886A1 (en) | Method for processing data based on neural networks trained by different methods and device applying method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |