CN114997313B - 一种海洋在线监测数据的异常检测方法 - Google Patents

一种海洋在线监测数据的异常检测方法 Download PDF

Info

Publication number
CN114997313B
CN114997313B CN202210641348.3A CN202210641348A CN114997313B CN 114997313 B CN114997313 B CN 114997313B CN 202210641348 A CN202210641348 A CN 202210641348A CN 114997313 B CN114997313 B CN 114997313B
Authority
CN
China
Prior art keywords
detection
data
marine
monitoring data
anomaly
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.)
Active
Application number
CN202210641348.3A
Other languages
English (en)
Other versions
CN114997313A (zh
Inventor
陈能汪
余镒琦
赖晓倩
张彦
张树忠
黄水英
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.)
FUJIAN MARINE FORECASTS
Xiamen University
Original Assignee
FUJIAN MARINE FORECASTS
Xiamen University
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 FUJIAN MARINE FORECASTS, Xiamen University filed Critical FUJIAN MARINE FORECASTS
Priority to CN202210641348.3A priority Critical patent/CN114997313B/zh
Publication of CN114997313A publication Critical patent/CN114997313A/zh
Application granted granted Critical
Publication of CN114997313B publication Critical patent/CN114997313B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

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 Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种海洋在线监测数据的异常检测方法，包括以下步骤：S1、对海洋历史监测数据进行点异常标注和序列异常标注，得到测试数据集；S2、基于测试数据集，通过测试分别选取阈值检测、均方差检测、突变点检测、加权移动平均拟合检测、Holt‑Winter拟合检测、孤立森林检测和加权异常分数的最优参数；S3、对海洋在线监测数据进行数据质量检测，并进行预处理；S4、采用已选取最优参数的阈值检测、均方差检测、突变点检测、加权移动平均拟合检测和Holt‑Winter拟合检测分别对预处理后的海洋在线监测数据进行点异常检测并标注；采用已选取最优参数的孤立森林检测对预处理后的海洋在线监测数据进行序列异常检测并标注；该方法可保障海洋在线监测数据的异常检测效果。

Description

一种海洋在线监测数据的异常检测方法
技术领域
本发明涉及海洋数据处理技术领域，具体的说是一种海洋在线监测数据的异常检测方法。
背景技术
海洋是我国经济社会发展的重要战略空间，是孕育新产业、引领新增长的重要领域，在国家经济社会发展全局中的地位和作用日益突出。随着海洋观测、模拟手段的快速提升和数据科学的重大突破，海洋观测呈现出多元化、立体化、实时化的特征，海洋监测数据的数据量不断攀升，数据类型更加丰富，时效性越来越强。
但在海流、海浪、航运、生物附着等复杂海洋环境因素的影响下，部分海洋监测仪器难以稳定运行，监测数据存在异常值多、异常模式多样、异常原因复杂等特点。而现有的异常检测方法通常只从单一角度对全局异常进行检测，且忽视了序列异常这一重要的异常类型，往往存在较多的误判和漏判，难以适应日渐提升的海洋监测数据质量控制需求。如何对大量在线监测数据进行异常检测以保证其效用是海洋数据挖掘领域面临的一大难题。
发明内容
本发明的目的在于提出了一种海洋在线监测数据的异常检测方法，该异常检测方法灵活易用，在处理多源异构的海洋在线监测数据时有明显的优势，能有效保障海洋监测数据的有效性和准确性。
为实现上述目的，本发明采用以下技术方案：
一种海洋在线监测数据的异常检测方法，包括以下步骤：
S1、对海洋历史监测数据进行点异常标注和序列异常标注，得到测试数据集；
S2、基于测试数据集，通过测试分别选取阈值检测、均方差检测、突变点检测、加权移动平均拟合检测、Holt-Winter拟合检测、孤立森林检测和加权异常分数的最优参数；
S3、对海洋在线监测数据进行数据质量检测，并进行预处理；
S4、采用已选取最优参数的阈值检测、均方差检测、突变点检测、加权移动平均拟合检测和Holt-Winter拟合检测分别对预处理后的海洋在线监测数据进行点异常检测并标注；采用已选取最优参数的孤立森林检测对预处理后的海洋在线监测数据进行序列异常检测并标注。
优选地，步骤S1中所述点异常标注为对与整个时间序列中的数据点或与相邻点相比出现的异常数值进行标注，点异常包括数值突变和超出阈值；所述序列异常标注为对时间序列中某一子序列与整个时间序列中的其他子序列或与相邻子序列相比出现的异常数值进行标注。
优选地，步骤S2中所述最优参数的优化过程为：
S21、获取步骤S1中已异常标注后的测试数据集；
S22、对于阈值检测、均方差检测、突变点检测、加权移动平均拟合检测、Holt-Winter拟合检测和孤立森林检测方法，分别计算各种检测方法选取不同参数时异常检测结果的TP、FN、FP、TN的个数，再计算准确率和召回率/>最终计算式中TP指实际结果异常与预测结果异常，FN指实际结果异常与预测结果正常，FP指实际结果正常与预测结果异常，TN指实际结果正常与预测结果正常，F1-Score指F1均衡分数；
S23、选取F1-Score最高时的参数为该异常检测方法的最终参数。
优选地，步骤S3的具体过程为：
S31、检查海洋在线监测数据序列中是否存在非数值型数据，若存在，剔除该数据并标注；
S32、检查海洋在线监测数据序列中是否存在重复的时间戳，若存在，剔除该数据并标注；
S33、检查海洋在线监测数据序列中是否存在数据缺失，若存在，则标注。
优选地，步骤S4中所述点异常检测的具体过程为：
S41、阈值检测：对监测要素在该区域历史观测资料中的范围进行统计，给出该监测参数的取值变化范围，用于判别参数的可靠性，若某一时刻的数据xm超出设定的阈值范围，则将该时刻的数据视为异常值，否则为正常值；
S42、均方差检测：如果某个数据与总体数据样本的平均值之差大于n倍的标准差，则将其视为异常值，具体地，对于海洋在线监测数据序列x1,x2…xn，其平均值为标准差为σ，某一时刻的数据为xm，其中：
若则该时刻的数据为异常值，否则为正常值，其中，n由步骤S2经过多次试验后优化得到；
S43、突变点检测：一阶差分后，如果某个数据与总体数据样本的平均值之差大于n倍的标准差，则将其视为异常值，具体地，对于一阶差分后的海洋在线监测数据序列x1,x2…xn，其平均值为标准差为σ，某一时刻的数据为xm，其中：
若则该时刻的数据为异常值，否则为正常值，其中，n的取值根据各要素特点，由步骤S2经过多次试验后优化得到；
S44、加权移动平均拟合检测：如果某个数据与其之前一定范围内数据的加权移动平均值之差大于n倍的标准差，则将其视为异常值，具体地，对于海洋在线监测数据序列x1，x2，…，xn，其平均值为标准差为σ，某一时刻的数据为xm，该时刻前l个数据为xm-l，xm-l+1，…，xm-1，对应的权重系数分别为k1，k2，…，kl，则l个数据的加权移动平均值/>按如下公式计算：
若则该时刻的数据为异常值，否则为正常值，其中，n、l和权重系数序列k1，k2，…，kl的取值根据各要素特点，由步骤S2经过多次试验后优化得到；
S45、Holt-Winter拟合检测：如果某个数据与其之前一定范围内数据的Holt-Winter拟合值之差大于n倍的标准差，则将其视为异常值，具体地，对于海洋在线监测数据序列x1，x2，…，xn，其平均值为标准差为σ，某一时刻的数据为xm，该时刻前l个数据为xm-l，xm-l+1，…，xm-1，Holt-Winter拟合值为/>若/>则该时刻的数据为异常值，否则为正常值，其中，n的取值根据各要素特点，由步骤S2经过多次试验后优化得到。
优选地，步骤S4中所述点异常检测后进行加权异常分数计算，点异常检测结果为正常时的异常分数为0，点异常检测结果为异常时的异常分数为1，加权异常分数的计算公式为：
其中，S1，S2，S3，S4，S5分别为阈值检测、均方差检测、突变点检测、加权移动平均拟合检测、Holt-Winter拟合检测的异常分数，W1，W2，W3，W4，W5分别为阈值检测、均方差检测、突变点检测、加权移动平均拟合检测、Holt-Winter拟合检测的加权系数，由步骤S2经过多次试验后优化得到。
优选地，将海洋在线监测数据序列划分为若干个子序列，将各子序列的统计特征、分类特征和拟合特征作为孤立森林算法的输入特征进行检测，各要素的输入特征通过异常特点，由步骤S2经过多次试验后优化得到。
优选地，步骤S4中将海洋在线监测数据序列中点异常的序列标注为1，将海洋在线监测数据序列中序列异常的序列标注为2，将海洋在线监测数据序列中正常的序列标注为0。
采用上述技术方案后，本发明与背景技术相比，具有如下优点：本发明提供的异常检测方法灵活易用，可以对特定异常类型进行针对性的检测，在处理多源异构的海洋在线监测数据时有明显的优势；利用多种方法同时进行检测，对全局异常和局部异常均有较好的检测效果；实现了对序列异常的检测，能够显著减少误判和漏判，有效保障了海洋监测数据的有效性和准确性。
附图说明
图1为本发明的流程图；
图2为本发明的流程框图；
图3为本发明的点异常的示意图；
图4为本发明的序列异常的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参阅图1至图4，一种海洋在线监测数据的异常检测方法，包括以下步骤：
S1、对海洋历史监测数据进行点异常标注和序列异常标注，得到测试数据集；
步骤S1中所述点异常标注为对与整个时间序列中的数据点或与相邻点相比出现的异常数值进行标注，点异常包括数值突变和超出阈值，图3为点异常示例；所述序列异常标注为对时间序列中某一子序列与整个时间序列中的其他子序列或与相邻子序列相比出现的异常数值进行标注，图4为序列异常示例；
S2、基于测试数据集，通过测试分别选取阈值检测、均方差检测、突变点检测、加权移动平均拟合检测、Holt-Winter拟合检测、孤立森林检测和加权异常分数的最优参数；
步骤S2中所述最优参数的优化过程为：
S21、获取步骤S1中已异常标注后的测试数据集；
S22、对于阈值检测、均方差检测、突变点检测、加权移动平均拟合检测、Holt-Winter拟合检测和孤立森林检测方法，分别计算各种检测方法选取不同参数时异常检测结果的TP、FN、FP、TN的个数，预测结果判定方法如表1所示，再计算准确率和召回率/>最终计算/>式中TP指实际结果异常与预测结果异常，FN指实际结果异常与预测结果正常，FP指实际结果正常与预测结果异常，TN指实际结果正常与预测结果正常，F1-Score指F1均衡分数；
S23、选取F1-Score最高时的参数为该异常检测方法的最终参数；
表1预测结果判定方法
S3、对海洋在线监测数据进行数据质量检测，并进行预处理；
步骤S3的具体过程为：
S31、检查海洋在线监测数据序列中是否存在非数值型数据，若存在，剔除该数据并标注；
S32、检查海洋在线监测数据序列中是否存在重复的时间戳，若存在，剔除该数据并标注；
S33、检查海洋在线监测数据序列中是否存在数据缺失，若存在，则标注。
S4、采用已选取最优参数的阈值检测、均方差检测、突变点检测、加权移动平均拟合检测和Holt-Winter拟合检测分别对预处理后的海洋在线监测数据进行点异常检测并标注；采用已选取最优参数的孤立森林检测对预处理后的海洋在线监测数据进行序列异常检测并标注；
步骤S4中所述点异常检测的具体过程为：
S41、阈值检测：对监测要素在该区域历史观测资料中的范围进行统计，给出该监测参数的取值变化范围，用于判别参数的可靠性，若某一时刻的数据xm超出设定的阈值范围，则将该时刻的数据视为异常值，否则为正常值；
S42、均方差检测：如果某个数据与总体数据样本的平均值之差大于n倍的标准差，则将其视为异常值，具体地，对于海洋在线监测数据序列x1,x2…xn，其平均值为标准差为σ，某一时刻的数据为xm，其中：
若则该时刻的数据为异常值，否则为正常值，其中，n由步骤S2经过多次试验后优化得到；
S43、突变点检测：一阶差分后，如果某个数据与总体数据样本的平均值之差大于n倍的标准差，则将其视为异常值，具体地，对于一阶差分后的海洋在线监测数据序列x1，x2，…，xn，其平均值为标准差为σ，某一时刻的数据为xm，其中：
若则该时刻的数据为异常值，否则为正常值，其中，n的取值根据各要素特点，由步骤S2经过多次试验后优化得到；
S44、加权移动平均拟合检测：如果某个数据与其之前一定范围内数据的加权移动平均值之差大于n倍的标准差，则将其视为异常值，具体地，对于海洋在线监测数据序列x1，x2，…，xn，其平均值为标准差为σ，某一时刻的数据为xm，该时刻前l个数据为xm-l，xm-l+1，…，xm-1，对应的权重系数分别为k1，k2，…，kl，则l个数据的加权移动平均值/>按如下公式计算：
若则该时刻的数据为异常值，否则为正常值，其中，n、l和权重系数序列k1，k2，…，kl的取值根据各要素特点，由步骤S2经过多次试验后优化得到；
S45、Holt-Winter拟合检测：如果某个数据与其之前一定范围内数据的Holt-Winter拟合值之差大于n倍的标准差，则将其视为异常值，具体地，对于海洋在线监测数据序列x1,x2…xn，其平均值为标准差为σ，某一时刻的数据为xm，该时刻前l个数据为xm-l，xm-l+1，…，xm-1，Holt-Winter拟合值为/>若/>则该时刻的数据为异常值，否则为正常值，其中，n的取值根据各要素特点，由步骤S2经过多次试验后优化得到；Holt-Winter拟合检测，是一种特殊的加权平均方法，对离预测期较近的观察值赋予较大的权重，对离预测值较远的观察值赋予较小的权重，权重由近到远按指数规律递减。Holt-Winter拟合是指数平滑拟合的一种，在普通指数平滑的基础上保留了数据的趋势性和季节性信息，从而能更好的预测时间序列数据。
步骤S4中所述点异常检测后进行加权异常分数计算，点异常检测结果为正常时的异常分数为0，点异常检测结果为异常时的异常分数为1，加权异常分数的计算公式为：
其中，S1，S2，S3，S4，S5分别为阈值检测、均方差检测、突变点检测、加权移动平均拟合检测、Holt-Winter拟合检测的异常分数，W1，W2，W3，W4，W5分别为阈值检测、均方差检测、突变点检测、加权移动平均拟合检测、Holt-Winter拟合检测的加权系数，由步骤S2经过多次试验后优化得到；
步骤S4中所述序列异常检测的具体过程为：将海洋在线监测数据序列划分为若干个子序列，将各子序列的统计特征、分类特征和拟合特征作为孤立森林算法的输入特征进行检测，各要素的输入特征通过异常特点，由步骤S2经过多次试验后优化得到；孤立森林算法将异常定义为分布稀疏且离密度高的群体较远的点。在特征空间里，分布稀疏的区域表示事件发生在该区域的概率很低，因而可以认为落在这些区域里的数据是异常的。具体来说，该算法利用一种名为孤立树的二叉搜索树结构来孤立样本，由于异常值的数量较少且与大部分样本疏离，因此异常值会被更早的孤立出来。
步骤S4中将海洋在线监测数据序列中点异常的序列标注为1，将海洋在线监测数据序列中序列异常的序列标注为2，将海洋在线监测数据序列中正常的序列标注为0。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (6)

1.一种海洋在线监测数据的异常检测方法，其特征在于，包括以下步骤：
S1、对海洋历史监测数据进行点异常标注和序列异常标注，得到测试数据集；
步骤S1中所述点异常标注为对与整个时间序列中的数据点或与相邻点相比出现的异常数值进行标注，点异常包括数值突变和超出阈值；所述序列异常标注为对时间序列中某一子序列与整个时间序列中的其他子序列或与相邻子序列相比出现的异常数值进行标注；
S2、基于测试数据集，通过测试分别选取阈值检测、均方差检测、突变点检测、加权移动平均拟合检测、Holt-Winter拟合检测、孤立森林检测和加权异常分数的最优参数；
S3、对海洋在线监测数据进行数据质量检测，并进行预处理；
S4、采用已选取最优参数的阈值检测、均方差检测、突变点检测、加权移动平均拟合检测和Holt-Winter拟合检测分别对预处理后的海洋在线监测数据进行点异常检测并标注；采用已选取最优参数的孤立森林检测对预处理后的海洋在线监测数据进行序列异常检测并标注；
步骤S4中所述点异常检测的具体过程为：
S41、阈值检测：对监测参数在监测区域历史观测资料中的范围进行统计，给出该监测参数的取值变化范围，用于判别参数的可靠性，若某一时刻的数据xm超出设定的阈值范围，则将该时刻的数据视为异常值，否则为正常值；
S42、均方差检测：如果某个数据与总体数据样本的平均值之差大于n倍的标准差，则将其视为异常值，具体地，对于海洋在线监测数据序列x1，x2，…，xn，其平均值为标准差为σ，某一时刻的数据为xm，其中：
若则该时刻的数据为异常值，否则为正常值，其中，n由步骤S2经过多次试验后优化得到；
S43、突变点检测：一阶差分后，如果某个数据与总体数据样本的平均值之差大于n倍的标准差，则将其视为异常值，具体地，对于一阶差分后的海洋在线监测数据序列x1，x2，…，xn，其平均值为标准差为σ，某一时刻的数据为xm，其中：
若则该时刻的数据为异常值，否则为正常值，其中，n的取值根据各参数特点，由步骤S2经过多次试验后优化得到；
S44、加权移动平均拟合检测：如果某个数据与其之前一定范围内数据的加权移动平均值之差大于n倍的标准差，则将其视为异常值，具体地，对于海洋在线监测数据序列x1，x2，…，xn，其平均值为标准差为σ，某一时刻的数据为xm，该时刻前l个数据为xm-l，xm-l+1，…，xm-1，对应的权重系数分别为k1，k2，…，kl，则l个数据的加权移动平均值/>按如下公式计算：
若则该时刻的数据为异常值，否则为正常值，其中，n、l和权重系数序列k1，k2，…，kl的取值根据各参数特点，由步骤S2经过多次试验后优化得到；
S45、Holt-Winter拟合检测：如果某个数据与其之前一定范围内数据的Holt-Winter拟合值之差大于n倍的标准差，则将其视为异常值，具体地，对于海洋在线监测数据序列x1，x2，…，xn，其平均值为标准差为σ，某一时刻的数据为xm，该时刻前l个数据为xm-l，xm-l+1，…，xm-1，Holt-Winter拟合值为/>若/>则该时刻的数据为异常值，否则为正常值，其中，n的取值根据各参数特点，由步骤S2经过多次试验后优化得到。
2.如权利要求1所述的海洋在线监测数据的异常检测方法，其特征在于：步骤S2中所述最优参数的优化过程为：
S21、获取步骤S1中已异常标注后的测试数据集；
S22、对于阈值检测、均方差检测、突变点检测、加权移动平均拟合检测、Holt-Winter拟合检测和孤立森林检测方法，分别计算各种检测方法选取不同参数时异常检测结果的TP、FN、FP、TN的个数，再计算准确率和召回率/>最终计算/>式中TP指实际结果异常与预测结果异常，FN指实际结果异常与预测结果正常，FP指实际结果正常与预测结果异常，TN指实际结果正常与预测结果正常，F1-Score指F1均衡分数；
S23、选取F1-Score最高时的参数为该异常检测方法的最终参数。
3.如权利要求1所述的海洋在线监测数据的异常检测方法，其特征在于：步骤S3的具体过程为：
S31、检查海洋在线监测数据序列中是否存在非数值型数据，若存在，剔除该数据并标注；
S32、检查海洋在线监测数据序列中是否存在重复的时间戳，若存在，剔除该数据并标注；
S33、检查海洋在线监测数据序列中是否存在数据缺失，若存在，则标注。
4.如权利要求1所述的海洋在线监测数据的异常检测方法，其特征在于：步骤S4中所述点异常检测后进行加权异常分数计算，点异常检测结果为正常时的异常分数为0，点异常检测结果为异常时的异常分数为1，加权异常分数的计算公式为：
其中，S1，S2，S3，S4，S5分别为阈值检测、均方差检测、突变点检测、加权移动平均拟合检测、Holt-Winter拟合检测的异常分数，W1，W2，W3，W4，W5分别为阈值检测、均方差检测、突变点检测、加权移动平均拟合检测、Holt-Winter拟合检测的加权系数，由步骤S2经过多次试验后优化得到。
5.如权利要求1所述的海洋在线监测数据的异常检测方法，其特征在于，步骤S4中所述序列异常检测的具体过程为：将海洋在线监测数据序列划分为若干个子序列，将各子序列的统计特征、分类特征和拟合特征作为孤立森林算法的输入特征进行检测，各参数的输入特征通过异常特点，由步骤S2经过多次试验后优化得到。
6.如权利要求1所述的海洋在线监测数据的异常检测方法，其特征在于，步骤S4中将海洋在线监测数据序列中点异常的序列标注为1，将海洋在线监测数据序列中序列异常的序列标注为2，将海洋在线监测数据序列中正常的序列标注为0。
CN202210641348.3A 2022-06-07 2022-06-07 一种海洋在线监测数据的异常检测方法 Active CN114997313B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210641348.3A CN114997313B (zh) 2022-06-07 2022-06-07 一种海洋在线监测数据的异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210641348.3A CN114997313B (zh) 2022-06-07 2022-06-07 一种海洋在线监测数据的异常检测方法

Publications (2)

Publication Number Publication Date
CN114997313A CN114997313A (zh) 2022-09-02
CN114997313B true CN114997313B (zh) 2024-05-07

Family

ID=83033287

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210641348.3A Active CN114997313B (zh) 2022-06-07 2022-06-07 一种海洋在线监测数据的异常检测方法

Country Status (1)

Country Link
CN (1) CN114997313B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117953650A (zh) * 2024-01-29 2024-04-30 江苏顺骁工程科技有限公司 一种基于数字孪生的大坝安全分析预警系统及方法
CN117786281B (zh) * 2024-02-23 2024-06-25 中国海洋大学 一种沉积物柱状样沉积速率与误差的优化计算方法
CN118503808B (zh) * 2024-07-18 2024-09-24 齐鲁工业大学(山东省科学院) 一种海洋传感器监测数据漂移检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110075176A (ko) * 2009-12-28 2011-07-06 서울시립대학교 산학협력단 중력 시뮬레이션 자료 구축 방법 및 이를 수행하기 위한 시스템
WO2020010677A1 (zh) * 2018-07-09 2020-01-16 平安科技（深圳）有限公司 连续缺失值填充方法、数据分析装置、终端及存储介质
CN111598438A (zh) * 2020-05-14 2020-08-28 哈尔滨工业大学（威海） 基于分段拟合分析及评估的民航发动机气路异常检测方法
CN112685950A (zh) * 2020-12-02 2021-04-20 山东省计算中心（国家超级计算济南中心） 一种海洋时序观测数据的异常检测方法、系统和设备
CN112818066A (zh) * 2019-11-15 2021-05-18 深信服科技股份有限公司 一种时序数据异常检测方法、装置及电子设备和存储介质
CN113570000A (zh) * 2021-09-08 2021-10-29 南开大学 一种基于多模型融合的海洋单要素观测质量控制方法
CN114492423A (zh) * 2021-12-28 2022-05-13 广州大学 基于特征融合及筛选的虚假评论检测方法、系统及介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110075176A (ko) * 2009-12-28 2011-07-06 서울시립대학교 산학협력단 중력 시뮬레이션 자료 구축 방법 및 이를 수행하기 위한 시스템
WO2020010677A1 (zh) * 2018-07-09 2020-01-16 平安科技（深圳）有限公司 连续缺失值填充方法、数据分析装置、终端及存储介质
CN112818066A (zh) * 2019-11-15 2021-05-18 深信服科技股份有限公司 一种时序数据异常检测方法、装置及电子设备和存储介质
CN111598438A (zh) * 2020-05-14 2020-08-28 哈尔滨工业大学（威海） 基于分段拟合分析及评估的民航发动机气路异常检测方法
CN112685950A (zh) * 2020-12-02 2021-04-20 山东省计算中心（国家超级计算济南中心） 一种海洋时序观测数据的异常检测方法、系统和设备
CN113570000A (zh) * 2021-09-08 2021-10-29 南开大学 一种基于多模型融合的海洋单要素观测质量控制方法
CN114492423A (zh) * 2021-12-28 2022-05-13 广州大学 基于特征融合及筛选的虚假评论检测方法、系统及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种实用海洋浮标数据异常值质控方法;刘首华;陈满春;董明媚;高志刚;张建立;武双全;林峰竹;;海洋通报;20160615(03);全文 *
基于孤立森林算法和BP神经网络算法的电力运维数据清洗方法;李星南;施展;亢中苗;苏卓;;电气应用;20180820(16);全文 *

Also Published As

Publication number Publication date
CN114997313A (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN114997313B (zh) 一种海洋在线监测数据的异常检测方法
CN109492193B (zh) 基于深度机器学习模型的异常网络数据生成与预测方法
CN113887616B (zh) 一种epg连接数的实时异常检测方法
CN112083244B (zh) 综合化航空电子设备故障智能诊断系统
CN114201374A (zh) 基于混合机器学习的运维时序数据异常检测方法及系统
CN115081673B (zh) 一种油气管道的异常预测方法、装置、电子设备及介质
CN116432123A (zh) 一种基于cart决策树算法的电能表故障预警方法
CN111680712B (zh) 基于日内相似时刻的变压器油温预测方法、装置及系统
CN111191855B (zh) 一种基于管网多元水质时序数据的水质异常事件识别预警方法
CN112733935A (zh) 一种基于Stacking算法的渔船捕捞方式预测方法
CN116383645A (zh) 一种基于异常检测的系统健康度智能监测评估方法
CN110737975B (zh) 基于经验模态分解与自回归模型的风电场风速、功率预测和异常修正方法
CN112882898B (zh) 基于大数据日志分析的异常检测方法、系统、设备及介质
CN114235108A (zh) 基于数据分析燃气流量计异常状态检测方法和装置
CN114138601A (zh) 一种业务告警方法、装置、设备及存储介质
CN117149486B (zh) 告警和根因定位方法、模型训练方法、装置、设备及介质
CN112858901A (zh) 实时监测刀具运行状态与寿命预测的系统及方法
Li et al. Meteorological radar fault diagnosis based on deep learning
CN115829160B (zh) 一种时序异常预测方法、装置、设备及存储介质
CN111913463A (zh) 一种核电厂化学容积控制系统状态监测方法
CN111934903A (zh) 一种基于时序演化基因的Docker容器故障智能预测方法
CN117829822B (zh) 一种电力变压器故障预警方法及系统
CN118014405B (zh) 一种基于数据处理的电力故障预警系统
CN117725543B (zh) 一种多元时间序列异常预测方法、电子设备及存储介质
CN114943304B (zh) 一种基于贝叶斯的3c电子产品装配误差传递方法

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