CN111858699A - 一种时间序列相关性检测方法、设备及存储介质 - Google Patents

一种时间序列相关性检测方法、设备及存储介质 Download PDF

Info

Publication number
CN111858699A
CN111858699A CN202010526892.4A CN202010526892A CN111858699A CN 111858699 A CN111858699 A CN 111858699A CN 202010526892 A CN202010526892 A CN 202010526892A CN 111858699 A CN111858699 A CN 111858699A
Authority
CN
China
Prior art keywords
time sequence
correlation
sequence
time
time series
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.)
Pending
Application number
CN202010526892.4A
Other languages
English (en)
Inventor
谢江轩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou H3C Technologies Co Ltd
New H3C Technologies Co Ltd
Original Assignee
Hangzhou H3C Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou H3C Technologies Co Ltd filed Critical Hangzhou H3C Technologies Co Ltd
Priority to CN202010526892.4A priority Critical patent/CN111858699A/zh
Publication of CN111858699A publication Critical patent/CN111858699A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Complex Calculations (AREA)

Abstract

本公开提供了一种时间序列相关性检测方法、设备及存储介质，该方法使用滑动窗口对两个时间序列进行滑动平均处理，得到两个平滑时间序列，然后针对两个平滑时间序列分别循环迭代执行交错平移相关性计算处理步骤，然后将交错平移相关性计算处理步骤计算得到的交错相关系数中的最大值确定为两个时间序列相关系数，从而确定两个序列的相关性。本公开使用滑动窗口方法配合交错平移相关性计算处理步骤中获得的最大交错相关系数，能够检测出具有错峰关联的时间序列间的关联性。使用滑动平均的方法大幅减少时间序列的噪声对交叉最大互信息系数造成的影响。

Description

一种时间序列相关性检测方法、设备及存储介质
技术领域
本公开涉及通信领域，尤其涉及一种时间序列相关性检测方法、设备及存储介质。
背景技术
时间序列(time series)是一组按照时间发生先后顺序进行排列的数据点序列。时间序列广泛应用于信号处理、模式识别、天气预报、地震预测、脑电图、控制工程、航空学、通信工程以及绝大多数涉及到时间数据测量的应用科学与工程学。在网络智能运维系统中，常见的指标，比如设备CPU使用率，设备温度，接入控制(Access Control，AC)节点上的上下行数据流量、设备丢包率等等随时间先后顺序排列的指标数据都属于时间序列，对时间序列建立分析模型进行分析可以掌握这些指标的变化规律，以实现对指标的未来变化趋势进行预测的目的；
时间序列关联分析，就是分析时间序列间的相似程度，关联性越强，说明两个时间序列相似程度越高；在智能运维中，假设A，B两个网络或设备指标关联性强，如果A指标在某一时刻出现了异常，那么B指标就有很大可能也出现异常，通过两个指标间的关联性就可以提前“预知”可能的异常，及时进行处理。在根因分析中，关联分析也可以帮助定位可能的因果关系。
计算两个时间序列之间的相关系数并判断这两条时间序列是否存在强关联性的步骤通常包括：
S1、获得两个原始时间序列X,Y。
S2、截取t至t+a时刻的时间序列x,y，目的是为了统一时间序列长度。
S3、计算x,y之间的最大互信息，计算方式为先对两个时间序列x，y作散点图，然后对散点图作i行j列的网格化，使散点落在不同的网格内；预设指定的i,j值后，可能有多种网格化方案，分别计算这些网格化方案的互信息值，并取最大值作为最大互信息。实际过程中可以调用python的minepy包进行运算。
S4、根据MIC(Maximal Information Coefficient，最大互信息系数)的值判断原始时间序列是否相关。一般认为，若MIC大于等于0.8，则说明这两个时间序列强相关，若MIC大于等于0.5小于0.8，则两个时间序列弱相关，若MIC小于0.5，则两个时间序列不相关。
实际场景下，原始时间序列里具有大量的噪声，不进行处理的话，会很难发现噪声下隐藏的规律，会导致MIC的值偏低，影响对相关性的判断。
假设两个完全相关的时间序列y和z，z是由时间序列y乘3倍再加上一个标准正态随机噪声得到，但y与z的MIC值可能为0.769，只能确认y与z存在弱相关，如果排除这个随机噪声，y与z的MIC值为变为1。
实际场景中，时间序列的相关性可能出现滞后现象，即可能出现时间序列X的t至t+a时刻部分与时间序列Y的t至t+a时刻部分不相关/弱相关，但是和Y的t+b至t+b+a时刻部分却是强相关，现有的检测方法不能很准确地检测出此类时间序列的相关性。
发明内容
有鉴于此，为了提高时间序列的检测准确度，基于本公开实施例的一方面，提供了一种时间序列相关性检测方法，所述方法包括：
步骤A.使用滑动窗口分别对第一时间序列和第二时间序列进行滑动平均处理，得到第一平滑时间序列和第二平滑时间序列；
步骤B.将第一平滑时间序列和第二平滑时间序列作为第一初始时间序列和第二初始时间序列，对第一初始时间序列和第二初始时间序列执行交错平移相关性计算处理步骤；
所述交错平移相关性计算处理步骤包括：
步骤a.计算并记录第一初始时间序列和第二初始时间序列的交错
相关系数；
步骤b.以预设步长将第一初始时间序列和第二初始时间序列反方向平移，剔除两个序列非相交位置上的序列元素后分别形成第一中间
时间序列和第二中间时间序列；
步骤c.判断所述第一中间时间序列或第二中间时间序列的序列元素个数是否小于第一平滑时间序列的序列元素个数的一半；若是，则结束所述交错平移相关性计算处理步骤，然后执行步骤C；若否，则将第一中间时间序列和第二中间时间序列分别再次作为第一初始时间序
列和第二初始时间序列，然后执行步骤a；
步骤C.将交错平移相关性计算处理步骤计算得到的交错相关系数中的最大值确定为所述第一时间序列和第二时间序列的相关系数。
进一步地，所述交错平移相关性计算处理步骤中，计算并记录第一初始时间序列和第二初始时间序列的最大互信息系数MIC作为所述交错相关系数。
进一步地，所述使用滑动窗口分别对第一时间序列和第二时间序列进行滑动平均处理，从而得到第一平滑时间序列和第二平滑时间序列的步骤为：
用采样时刻t之前位于滑动窗口内的时间序列元素的平均值，即(t-h,t]时间范围内的平均值作为经滑动平均处理后的平滑时间序列的t时刻的元素值。
进一步地，为滑动窗口内的每一个序列元素赋予不同的权重，离目标t时刻越近的序列元素的权重越大，基于加权平均的方式计算平滑时间序列中t时刻的元素值。
进一步地，所述交错平移相关性计算处理步骤中，计算并记录第一初始时间序列和第二初始时间序列的皮尔逊相关系数作为所述交错相关系数。
基于本公开实施例，本公开还提供了一种时间序列相关性检测设备，该设备包括处理器和计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述处理器执行所述计算机可读存储介质中的计算机程序以实施前述时间序列相关性检测方法的步骤。
基于本公开实施例，本公开还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序当被处理器执行时实现前述时间序列相关性检测方法的步骤。
由以上技术方案可见，本公开实施例中，使用滑动窗口方法配合交错平移相关性计算处理步骤中获得的最大交错相关系数，能够检测出具有错峰关联的时间序列间的关联性。使用滑动平均的方法大幅减少时间序列的噪声对交叉最大互信息系数造成的影响。
附图说明
为了更加清楚地说明本公开实施例或者现有技术中的技术方案，下面将对本公开实施例或者现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据本公开实施例的这些附图获得其他的附图。
图1为本公开提供的时间序列相关性检测方法步骤流程图；
图2A-图2B为本公开一实施例提供的使用滑动窗口对时间序列进行平滑平均处理的效果示意图；
图3A-图3D为本公开一实施例提供的使用交错平移相关性计算处理步骤发现时间序列间错峰关联的效果示意图；
图4为本公开提供的时间序列相关性检测设备的结构示意图。
具体实施方式
在本公开实施例使用的术语仅仅是出于描述特定实施例的目的，而非限制本公开实施例。本公开实施例和权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其它含义。本文中使用的术语“和/或”是指包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本公开实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开实施例范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，此外，所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
为减少噪声对最大互信息系数的影响，以及解决最大互信息系数无法发现时间序列间错峰关联的问题，本公开提供了一种时间序列相关性检测方法，图1为本公开提供的时间序列相关性检测方法步骤流程图，该方法包括：
步骤100.使用滑动窗口分别对第一时间序列和第二时间序列进行滑动平均处理，得到第一平滑时间序列和第二平滑时间序列。
所述的第一时间序列和第二时间序列可以直接从设备上采集，也可以从数据库中获取。例如对交换机的网络流量和应用服务器的CPU资源使用率进行采样，将相同时间段内的从交换机上采样获得的数据序列作为第一时间序列，将从应用服务器上采样获得的数据序列作为第二时间序列。
使用滑动窗口对时间序列进行滑动平均处理，是指使用预设宽度的滑动窗口从时间序列的第1个序列元素开始依次向后滑动，计算滑动窗口内的序列元素的平均值，从而分别得到第一平滑时间序列和第二平滑时间序列。使用滑动窗口对时间序列进行滑动平均处理的目的是减少时间序列的噪声对后续交错相关系数计算造成的影响。
步骤110.将第一平滑时间序列和第二平滑时间序列作为第一初始时间序列和第二初始时间序列，对第一初始时间序列和第二初始时间序列执行交错平移相关性计算处理步骤；
所述交错平移相关性计算处理步骤包括：
步骤111.计算并记录第一初始时间序列和第二初始时间序列的交错相关系数；
步骤112.以预设步长将第一初始时间序列和第二初始时间序列反方向平移，剔除两个序列非相交位置上的序列元素后分别形成第一中间时间序列和第二中间时间序列；
步骤113.判断所述第一中间时间序列或第二中间时间序列的序列元素个数是否小于第一平滑时间序列的序列元素个数的一半；若是，则结束所述交错平移相关性计算处理步骤，然后执行步骤120；若否，则将第一中间时间序列和第二中间时间序列分别再次作为第一初始时间序列和第二初始时间序列，执行步骤111。
步骤120.将交错平移相关性计算处理步骤计算得到的交错相关系数中的最大值确定为所述第一时间序列和第二时间序列的相关系数。
在通过交错平移相关性计算处理步骤获得一系列相关系数中，取其中的最大值作为第一时间序列和第二时间序列的相关系数，并基于此判断两个时间序列的关联性。以MIC为例，一般认为MIC系数大于等于0.8代表两个时间序列强相关；若大于等于0.5小于0.8，说明两个时间序列弱相关；若小于0.5，则说明两时间序列没有明显的相关关系。
本公开通过滑动窗口对时间序列进行平滑处理的步骤配合交错平移相关性计算处理步骤，能够准确检测出具有错峰关联特性的时间序列间的关联性。
本公开一实施例中，使用滑动窗口对时间序列进行滑动平均处理的方式为：
假设滑动窗口宽度为3，时间序列Y如表1所示：
Figure BDA0002531879000000061
用采样时刻t之前位于滑动窗口内的时间序列元素的平均值，即(t-h,t]时间范围内的平均值作为经滑动平均处理后的平滑时间序列的t时刻的元素值，使时间序列变得平滑，从而减少噪声的影响。这里h为滑动窗口长度，在该实施例中选取滑动窗口长度h＝3，即取(t-3,t]区间内共3个点的平均值作为t时刻的值。例如若要计算第一平滑时间序列Y＇的t＝5时刻的平滑值，可以将第一时间序列Y的t＝3,4,5时刻这3个采样点的原始采样值取平均后的结果值22，作为第一平滑时间序列Y＇的t＝5时刻的平滑值。对于时间序列两端，只选取滑动窗口内能取到的原始采样值取平均。例如计算t＝2时刻的平滑值，可以取第一时间序列Y中t＝1,2这2个时刻的原始采样值取平均后的值作为平滑时间序列Y＇的t＝2时刻的值。
本公开另一实施例中，采用加权平均的方式计算平滑时间序列中的平滑值，例如为滑动窗口内的每一个序列元素赋予不同的权重，离目标时刻越近的序列元素的权重越大。
本公开一实施例中，交错平移相关性计算处理步骤中使用最大互信息系数MIC来表达两个中间时间序列的交错相关系数。步骤111至步骤113会循环执行多次，直到满足循环终止条件为止，每一次循环都会生成一个两个中间时间序列的交错相关系数，记录每次得到交错相关系数，在循环终止后从所记录的交错相关系数中获取值最大的一个交错相关系数作为两个原始时间序列的相关系数。
例如，假设经过滑动平均处理后的第一初始时间序列为X(x1,x2,x3,x4,x5,…xn)和第二初始时间序列为Y(y1,y2,y3,y4,y5,…yn),预设步长为1。首先，计算X，Y的MIC值MIC0，然后移除时间序列X的第一个元素x1与时间序列Y的最后一个元素yn，得到两个中间时间序列，分别为第一中间时间序列X1(x2,x3,x4,x5,…xn)与第二中间时间序列Y1(y1,y2,y3,y4,y5,…yn-1)，再次计算X1与Y1之间的MIC值MIC1。然后再次移除x2与yn-1，得到时间序列X2(x3,x4,x5,…xn)与Y2(y1,y2,y3,…yn-2)，计算X2与Y2之间的MIC值，一直按此规律移除元素，直到所得到的中间时间序列的长度小于等于原始时间序列长度的一半为止。
同理，移除时间序列X的最后一个元素xn与时间序列Y的第一个元素y1,计算MIC值；重复移除操作并计算MIC值直到最后时间序列X,Y的长度为原始序列长度的一半，这样可以得到一系列交错MIC值。
如果时间序列里包含大量元素，可以改为一次性从时间序列中移除多个元素以减少计算量，例如预设步长可设定为2、3、10、50等。
本公开一实施例中，交错平移相关性计算处理步骤中使用皮尔逊相关系数来表达两个中间时间序列的交错相关系数。对于线性相关的两个时间序列，通过计算两个时间序列的皮尔逊相关系数也可以比较好的反映两个时间序列的相关性。
为了更好的说明本公开提供的方法的技术效果，以下结合实验数据进行说明，虽然本公开附图中以连续的曲线作为时间序列的示例，但实际上本公开中的时间序列是由离散的数据点组成，可以理解为将离散的数据点前后连接起来从而形成附图中的连续曲线。图2A-图2B为本公开一实施例提供的使用滑动窗口对时间序列进行平滑平均处理的效果示意图，图2A中一个时间序列为正弦函数，另一个时间序列为附加随机噪声的时间序列。经计算两个时间序列MIC的值是0.669，可以判断二者是弱相关。图2B中，对带有随机噪声的时间序列进行滑动窗口平滑处理之后，可以看到其与图2A中的正弦函数已经很接近了，滑动窗口平滑处理使得随机噪声对数据的影响大幅减少。经计算图2A中的正弦函数时间序列与图2B中带噪声的时间序列经滑动窗口平滑处理后的时间序列之间的MIC值为0.989，说明二者强相关。因此，本公开提供的滑动窗口平滑处理步骤可以减少噪声对MIC的影响，从而更好地挖掘原始数据中隐藏的规律。
图3A-图3D为本公开一实施例提供的使用交错平移相关性计算处理步骤发现时间序列间错峰关联的效果示意图。
图3A中左图为两个时间序列y,z关于时间t的曲线，右图为(y,z)的散点图。实际上y是关于时间t的正弦函数(y＝sin(π*t/100)),z为关于时间t的余弦函数(z＝3*cos(π*t/100)+1)。两条曲线的MIC值为0.668，按标准只能判断为弱相关。按照本公开提供的交错平移相关性计算处理步骤，若移除y序列的前20个点与z序列的最后20个点，再计算MIC值。此时MIC值为0.645，如图3B所示。
若移除y序列的前40个点与z序列的最后40个点，MIC值为0.897；此时计算出的交错相关系数MIC值为0.897，可以判断y与z存在强相关关系，如图3C。
若移除y序列的前移除y序列的前50个点与z序列的最后50个点时，计算出的MIC达到最大值1，可以判断y与z存在很强相关关系，如图3D所示。
图4为本公开一实施例提供的时间序列相关性检测设备的结构示意图，该设备400包括：诸如中央处理单元(CPU)的处理器401、内部总线402、以及计算机可读存储介质430。其中，处理器401与计算机可读存储介质430可以通过内部总线402相互通信。计算机可读存储介质430内可存储本公开提供的用于实现时间序列相关性检测方法的计算机程序，当该计算机程序被处理器401执行时即可实现前述时间序列相关性检测方法各步骤功能。
以上所述仅为本公开的实施例而已，并不用于限制本公开。对于本领域技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本公开的权利要求范围之内。

Claims (7)

1.一种时间序列相关性检测方法，其特征在于，所述方法包括：
步骤A.使用滑动窗口分别对第一时间序列和第二时间序列进行滑动平均处理，得到第一平滑时间序列和第二平滑时间序列；
步骤B.将第一平滑时间序列和第二平滑时间序列作为第一初始时间序列和第二初始时间序列，对第一初始时间序列和第二初始时间序列执行交错平移相关性计算处理步骤；
所述交错平移相关性计算处理步骤包括：
步骤a.计算并记录第一初始时间序列和第二初始时间序列的交错相关系数；
步骤b.以预设步长将第一初始时间序列和第二初始时间序列反方向平移，剔除两个序列非相交位置上的序列元素后分别形成第一中间时间序列和第二中间时间序列；
步骤c.判断所述第一中间时间序列或第二中间时间序列的序列元素个数是否小于第一平滑时间序列的序列元素个数的一半；若是，则结束所述交错平移相关性计算处理步骤，然后执行步骤C；若否，则将第一中间时间序列和第二中间时间序列分别再次作为第一初始时间序列和第二初始时间序列，然后执行步骤a；
步骤C.将交错平移相关性计算处理步骤计算得到的交错相关系数中的最大值确定为所述第一时间序列和第二时间序列的相关系数。
2.根据权利要求1所述的方法，其特征在于，所述交错平移相关性计算处理步骤中，计算并记录第一初始时间序列和第二初始时间序列的最大互信息系数MIC作为所述交错相关系数。
3.根据权利要求1所述的方法，其特征在于，所述使用滑动窗口分别对第一时间序列和第二时间序列进行滑动平均处理，从而得到第一平滑时间序列和第二平滑时间序列的步骤为：
用采样时刻t之前位于滑动窗口内的时间序列元素的平均值，即(t-h,t]时间范围内的平均值作为经滑动平均处理后的平滑时间序列的t时刻的元素值。
4.根据权利要求3所述的方法，其特征在于，
为滑动窗口内的每一个序列元素赋予不同的权重，离目标t时刻越近的序列元素的权重越大，基于加权平均的方式计算平滑时间序列中t时刻的元素值。
5.根据权利要求1所述的方法，其特征在于，所述交错平移相关性计算处理步骤中，计算并记录第一初始时间序列和第二初始时间序列的皮尔逊相关系数作为所述交错相关系数。
6.一种时间序列相关性检测设备，该设备包括处理器和计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其特征在于，所述处理器执行所述计算机可读存储介质中的计算机程序以实施权利要求1至5中任一项所述的方法步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序当被处理器执行时实现如权利要求1至5中任一项所述的方法步骤。
CN202010526892.4A 2020-06-10 2020-06-10 一种时间序列相关性检测方法、设备及存储介质 Pending CN111858699A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010526892.4A CN111858699A (zh) 2020-06-10 2020-06-10 一种时间序列相关性检测方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010526892.4A CN111858699A (zh) 2020-06-10 2020-06-10 一种时间序列相关性检测方法、设备及存储介质

Publications (1)

Publication Number Publication Date
CN111858699A true CN111858699A (zh) 2020-10-30

Family

ID=72987602

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010526892.4A Pending CN111858699A (zh) 2020-06-10 2020-06-10 一种时间序列相关性检测方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111858699A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112183676A (zh) * 2020-11-10 2021-01-05 浙江大学 一种基于混合降维与核函数极限学习机的水质软测量方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112183676A (zh) * 2020-11-10 2021-01-05 浙江大学 一种基于混合降维与核函数极限学习机的水质软测量方法

Similar Documents

Publication Publication Date Title
CN107862134B (zh) 一种考虑自相关测量误差的Wiener过程可靠性分析方法
Chen et al. An improved Hurst parameter estimator based on fractional Fourier transform
CN107493277B (zh) 基于最大信息系数的大数据平台在线异常检测方法
CN113065702B (zh) 基于st-seep分段法和时空arma模型的滑坡位移多线性预测方法
CN111858699A (zh) 一种时间序列相关性检测方法、设备及存储介质
US8494036B2 (en) Resource adaptive spectrum estimation of streaming data
CN111161097A (zh) 基于假设检验的事件检测算法检测开关事件的方法和装置
CN114492540A (zh) 目标检测模型的训练方法、装置、计算机设备及存储介质
EP2715289A1 (en) Dynamic clustering of transient signals
CN110702786B (zh) 基于多尺度奇异吸引子预测误差的梁结构损伤识别方法
CN110969238A (zh) 一种校准用电数据的方法及装置
CN110632563A (zh) 一种基于短时傅里叶变换的脉内频率编码信号参数测量方法
CN110751400A (zh) 一种风险评估方法及装置
CN116226770A (zh) 一种时间序列数据异常检测方法及装置
CN111123233B (zh) 一种基于相关性的海杂波纹理估计方法
CN115700553A (zh) 一种异常检测方法及相关装置
CN104683137A (zh) 周期特性网络的异常流量检出方法
CN113986711A (zh) 一种时间序列数据的峰值检测方法、装置及设备
Capizzi et al. Evaluation of the run-length distribution for a combined Shewhart-EWMA control chart
CN110597203A (zh) 一种基于多gpu并行crpf的故障诊断方法
Berry et al. An approach to detecting changes in the factors affecting the performance of computer systems
CN117609737B (zh) 一种惯性导航系统健康状态预测方法、系统、设备及介质
CN118090078B (zh) 一种闭式循环水冷系统渗漏在线监测方法
CN117972318B (zh) 一种高速自发电剪切阀脉冲波形测试方法及系统
CN115310049B (zh) 一种时间序列数据的周期检测方法、装置及设备

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