CN116522138A - 一种基于弱监督集成的多元时间序列异常检测方法及系统 - Google Patents
一种基于弱监督集成的多元时间序列异常检测方法及系统 Download PDFInfo
- Publication number
- CN116522138A CN116522138A CN202310441636.9A CN202310441636A CN116522138A CN 116522138 A CN116522138 A CN 116522138A CN 202310441636 A CN202310441636 A CN 202310441636A CN 116522138 A CN116522138 A CN 116522138A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- anomaly
- anomaly detection
- element time
- sequences
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 98
- 230000010354 integration Effects 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 37
- 230000002159 abnormal effect Effects 0.000 claims description 51
- 238000004590 computer program Methods 0.000 claims description 11
- 230000001932 seasonal effect Effects 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 abstract description 14
- 230000000694 effects Effects 0.000 abstract description 9
- 238000011208 chromatographic data Methods 0.000 description 13
- 230000000875 corresponding effect Effects 0.000 description 11
- 238000004587 chromatography analysis Methods 0.000 description 5
- 238000002372 labelling Methods 0.000 description 5
- 238000013021 overheating Methods 0.000 description 5
- 241001229889 Metis Species 0.000 description 4
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 150000001335 aliphatic alkanes Chemical class 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- VMGAPWLDMVPYIA-HIDZBRGKSA-N n'-amino-n-iminomethanimidamide Chemical compound N\N=C\N=N VMGAPWLDMVPYIA-HIDZBRGKSA-N 0.000 description 1
- BOLDJAUMGUJJKM-LSDHHAIUSA-N renifolin D Natural products CC(=C)[C@@H]1Cc2c(O)c(O)ccc2[C@H]1CC(=O)c3ccc(O)cc3O BOLDJAUMGUJJKM-LSDHHAIUSA-N 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种基于弱监督集成的多元时间序列异常检测方法及系统，具体涉及一种基于弱监督集成的多元时间序列异常检测方法及系统，为了解决时间序列异常检测方法导致异常检测效果差、准确率低，以及人力成本高，难以适应业务和产品特性变化的问题。它利用不同时间序列异常检测算法检测训练集，得到对应的异常分数，提取训练集中任意两条时间序列的相关性，得到相关性特征，合并每条多元时间序列的异常分数和对应的相关性特征，作为当前多元时间序列的新特征，利用XGBoost算法对每条多元时间序列的新特征进行异常检测，输出对应多元时间序列是否为异常时间序列，得到异常检测器，利用异常检测器直接对多元时间序列进行检测。属于序列异常检测领域。
Description
技术领域
本发明涉及一种时间序列异常检测方法及系统，具体涉及一种基于弱监督集成的多元时间序列异常检测方法及系统，属于序列异常检测领域。
背景技术
异常检测是目前时间序列数据分析领域内最成熟的应用之一，它被定义为从正常的时间序列中识别不正常的事件或行为的过程。有效的时间序列异常检测被广泛应用于很多领域，例如量化交易、服务器网络安全检测、汽车自动驾驶和大型工业设备的日常维护等。
目前常用的时间序列异常检测方法包括Metis方法、XGBOD方法、Ymir方法和HoloClean方法。Metis方法虽然能够提供基于动态阈值的智能检测，缓解了异常检测对开发、运维人员的强依赖，但它使用的无监督方法过于简单，需要对异常分数设置很低的阈值才能尽可能输出所有的疑似异常，而这将导致时序数据中的大部分都被怀疑为疑似异常，导致无监督检测的部分实际上对于异常检测过程的帮助不大，且Metis方法面对存在大量领域规则的工业时序数据时，其检测的性能将会大大降低。XGBOD方法将数据集基于多个无监督异常检测算法的异常分数作为原始数据集的新特征，并利用这些新特征作为新的有监督模型的训练数据，可以充分利用原始数据的特征，但是该方法所使用的训练数据集必须完全基于人工标注，并且对人工标注的质量有很高的要求，且使用的无监督异常检测算法都是传统的机器学习方法，缺乏对时间序列数据的时序特征的针对性。Ymir方法是基于XGBOD方法改进的专门针对时间序列数据的异常检测方法，但是它除了将无监督方法更换为针对时间序列的异常检测方法，在训练数据上仍然基于人工标注的训练数据集的质量，在缺乏人工标注的环境下很难实现有效的检测，且该方法仅在arxiv中上传，并没有正式发表，缺乏有效性和实用性的验证。
综上，现有的时间序列异常检测方法不是存在无监督检测效果不大，面对大量工业时序数据时检测性能不高，导致异常检测效果差、准确率低的问题，就是训练数据集必须完全基于高质量的人工标注，且无监督异常检测算法缺乏对时间序列数据的时序特征的针对性，导致人力成本高，难以适应业务和产品特性变化的问题。
发明内容
本发明为了解决时间序列异常检测方法存在无监督检测效果不大，面对大量工业时序数据时检测性能不高，导致异常检测效果差、准确率低的问题，以及训练数据集必须完全基于高质量的人工标注，且无监督异常检测算法缺乏对时间序列数据的时序特征的针对性，导致人力成本高，难以适应业务和产品特性变化的问题，进而提出了一种基于弱监督集成的多元时间序列异常检测方法及系统。
本发明采取的技术方案是：
它包括以下步骤：
S1、获取若干的多元时间序列，对多元时间序列进行数据增强，自动生成违反不同约束类型的异常时间序列，异常时间序列为获取的多元时间序列的一部分，则将剩余的多元时间序列作为正常时间序列，根据异常时间序列和正常时间序列得到异常比例平衡的训练集；
S2、利用不同的时间序列异常检测算法对训练集进行检测，得到每条多元时间序列在每个时间序列异常检测算法下的异常分数；
S3、利用CoFlux系数作为衡量标准提取训练集中任意两条时间序列的相关性，将相关性转换为向量，得到相关性特征；
S4、将每条多元时间序列的异常分数和对应的相关性特征进行合并，作为当前多元时间序列的新特征；
S5、将每条多元时间序列的新特征输入XGBoost算法内进行训练，输出对应多元时间序列是否为异常时间序列，直至检测结果的准确率基本不变，得到训练好的异常检测器；
S6、获取待检测的多元时间序列，将多元时间序列输入训练好的异常检测器内，输出对应多元时间序列是否为异常时间序列。
进一步地，所述S1中不同约束类型包括否定约束、速度约束和加速度约束。
进一步地，所述S2中不同的时间序列异常检测算法包括季节性异常检测、趋势性异常检测、模式异常检测、距离异常检测和约束异常检测。
进一步地，所述S3中提取任意两条时间序列的相关性的方法还包括皮尔逊系数或DTW系数。
进一步地，所述S3还包括：
根据某两条时间序列的相关性构建当前两条时间序列的线性模型，基于线性模型获得当前两条时间序列的函数，将函数作为约束异常检测的约束规则。
一种基于弱监督集成的多元时间序列异常检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如一种基于弱监督集成的多元时间序列异常检测方法的任一步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如一种基于弱监督集成的多元时间序列异常检测方法的任一步骤。
有益效果：
本发明构建了异常比例平衡的训练集，对于多元时间序列异常检测的训练效果更佳，利用不同的时间序列异常检测算法对训练集进行检测，得到每条多元时间序列在每个时间序列异常检测算法下的异常分数，如此能够得到多元时间序列在不同约束下的特征或信息。提取训练集中任意两条时间序列的相关性，得到相关性特征，在无监督异常检测的环节同步加入了基于CoFlux系数的相关性特征提取，挖掘异常在多个时间序列之间的关联，量化这些关联得到相关性，提高了无监督检测效果。将每条多元时间序列的异常分数和对应的相关性特征进行合并，作为当前多元时间序列的新特征，如此，在针对工业领域的海量时间序列数据，利用时间序列数据之间的相关性，以及每条时间序列数据在不同约束下的特征或信息，自动生成约束条件来进行主动标注，不需要进行人工标注，节省了人力成本，且新特征能够包含时间序列数据的大部分时序特征。将每条多元时间序列的新特征输入XGBoost算法内进行训练，输出对应多元时间序列是否为异常时间序列，直至检测结果的准确率基本不变，得到训练好的异常检测器，利用异常检测器直接对多元时间序列进行检测，如此，对时间序列数据不同的时序特征都有针对性，能够适应业务和产品特性变化，同时提高了异常检测效果和准确率。
附图说明
图1是本发明的流程图；
具体实施方式
具体实施方式一：结合图1说明本实施方式，本实施方式所述一种基于弱监督集成的多元时间序列异常检测方法，它包括以下步骤：
S1、获取若干的电网油色谱数据的多元时间序列，对多元时间序列进行数据增强，自动生成违反不同约束类型的异常时间序列，所述约束包括否定约束、速度约束和加速度约束，异常时间序列为获取的多元时间序列的一部分，则将剩余的多元时间序列作为正常时间序列，根据异常时间序列和正常时间序列得到异常比例平衡的训练集。
数据增强的目的是将用户提供的不含标签(是否为异常时间序列)的电网油色谱数据依据已有规则生成不符合规则的电网油色谱数据，使不符合规则的电网油色谱数据自动生成异常标签，能够有效生成多类型的异常，无需用户进行人为标注，为本发明提供更丰富的训练数据，达到弱监督的效果。已有规则是电网数据中的变压器故障识别判定方法，即三比值法，三比值法通过观测变压器中三组监测气体的浓度比值是否超过给定范围来判定9类故障状态：无故障、低温过热、中温过热、高温过热、局部放电、低能放电、低能放电兼过热、电弧放电以及电弧放电兼过热。数据增强能够保证训练电网油色谱数据的平衡性，增强异常检测器的F1值。数据增强策略是：学习一个模型，生成尽可能远离正确数据的异常数据，其对关系型数据进行增强。例如，原本的正确时间序列是Queen Street，而数据增强模型可以生成一个King Street作为异常时间序列，并将其自动标记为异常时间序列加入到原始的训练集中，通过这种方式，可以将一个很小的训练集扩大到包含足够多的异常时间序列，以便有监督的异常检测器能够学习到异常时间序列的特征。具体为：电网油色谱数据集存在的一个规则是要求油色谱数据中的氢气浓度和甲烷浓度比值始终不超过7，转化为数学形式就是根据数据增强将氢气浓度和甲烷浓度比值设置为超过7，得到的多元时间序列数据，即异常油色谱数据。
否定约束、速度约束和加速度约束均为现有的约束类型，其中，加速度约束来源于《Stream Data Cleaning under Speed and Acceleration Constraints》。异常比例不平衡是指训练数据中的异常标签的数据过少，导致模型只能从中学习到正常数据的模式，进而无法对多样的异常模式进行有效检测；异常比例平衡即指训练数据集中的异常标签和正常标签数量接近，进而能提供模型的真实训练效果。
本发明在将训练集作为有监督模型的输入前，设计了针对时间序列的数据增强方法，能够基于无监督异常检测器学习到的特征，额外生成带异常标注的训练集，使得在有标注的训练样本很小的情况下，本发明也能充分地训练有监督模型。
S2、利用现有的不同的时间序列异常检测算法对训练集进行检测，得到每条多元时间序列在每个时间序列异常检测算法下的异常分数。
不同的时间序列异常检测算法包括季节性异常检测、趋势性异常检测、模式异常检测、距离异常检测和约束异常检测。
季节性异常检测和趋势性异常检测：对于季节性异常检测和趋势性异常检测，我们采用STL分解技术，该技术代表基于Loess的季节性趋势分解过程，能够将时间序列数据分解为季节性序列、趋势性序列和残差序列三条序列数据的和性叠加或乘性叠加。因此可以分别对季节性和趋势性序列在残差序列上做尖峰检测，就能够发现对应的异常数据。
模式异常检测：对于模式异常检测，我们采用重构深度模型，即深度模型直接学习待检测数据的部分核心特征，并利用核心特征重新生成原始数据，通过生成的时间序列与原始时间序列的残差做尖峰检测，就能够发现异常数据。
距离异常检测：我们使用的距离异常检测是经典的机器学习模型—kNN算法，该算法通过计算时间序列中每个时刻的数据值之间的距离对时间序列的数据进行排序，并根据距离的百分数确定异常数据与正常数据距离的阈值，根据该阈值判断异常。
约束异常检测定义与领域知识相关的约束条件，通过检测多元时间序列数据是否违反了给定的约束条件来判定数据是否存在异常，最常见的约束类型包括否定约束、速度约束和加速度约束。
S3、利用皮尔逊系数或DTW系数或CoFlux系数等作为衡量标准提取训练集中任意两条电网油色谱数据的时间序列的相关性，将相关性转换为向量，得到相关性特征。根据某两条电网油色谱数据的时间序列的相关性构建当前两条时间序列的线性模型，再将两条序列之间的相关性转换为时间序列约束的形式，即基于线性模型获得当前两条时间序列的函数，将函数作为约束异常检测的约束规则，用于下一次电网油色谱数据的多元时间序列数据的异常检测。例如，电网油色谱数据的时间序列A和电网油色谱数据的时间序列B之间满足A＝2B+k的线性关系，则将其转换为函数：A≤2B+Kmax和A≥2B+Kmin。如此能够动态更新约束条件以适应时间序列的变化。
本发明在无监督异常检测的环节同步加入了基于CoFlux系数的相关性特征提取，挖掘异常在多个时间序列之间的关联，量化这些关联得到相关性，并将CoFlux系数作为新特征加入到后续的有监督模型的训练集中。CoFlux系数基于以下思想：对于任何一条时间序列数据，总有一个合适的无监督异常检测模型能够相对准确地提炼其波动特征，且如果两条时间序列和波动相关，且它们的波动特征序列也应当是相关的。因此可以利用异常检测模型将时间序列的波动特征序列提取出来，并通过计算波动特征序列的相关性来代替直接计算两条时间序列的相关性。
这一步的优点在于，工业时间序列数据集中往往存在着大量的关联关系，这些关系很多情况下可以转换为属性在某一区间上的相互约束，这些约束往往能够用于检测多条序列是否同时出现异常。除此以外，序列之间还存在时间顺序上的因果关系，如果某条序列出现异常，则与其有因果关系的序列在对应的时间点也会发生类似的异常。
S4、由于S2中的异常分数是对电网油色谱数据的时间序列每个时间戳上的数据的打分，所以异常分数本身也可以看作是一条时间序列，而且这条分数序列和时间序列本身的异常程度十分相关，故而可以看作是多元时间序列的一个新特征，所以本发明将每条电网油色谱数据的多元时间序列的异常分数和对应的相关性特征进行合并，作为当前电网油色谱数据的多元时间序列的新特征。这一步的作用是再次利用训练集能够自主对待检测的多元时间序列生成异常标签标注，而不需要用户进行复杂繁琐的人工输入，节约异常检测的成本。
S5、将每条电网油色谱数据的多元时间序列的新特征输入XGBoost算法内进行训练，输出对应多元时间序列是否为异常时间序列，若为异常时间序列，则生成对应的异常检测报告，直至检测结果的准确率基本不变，得到训练好的异常检测器。该异常检测器的异常检测能力更强。
XGBoost算法不断地选取时间序列中属性作为树的分裂，最终生成一颗决策树，该决策树每个分支都是对时间序列多个属性值的判断，最终给出时间序列上每个时刻的属性值是否被分类为异常数据或正常数据。可以理解为，XGBoost方法每轮训练生成一个根据单个属性值所在区间进行异常判定的异常检测器，将这些异常检测器连接起来生成一个能根据多个属性值组合进行异常判定的强异常检测器。
本发明采用无监督算法与有监督算法(XGBoost方法)结合的方式，能够提高准确率、加快检测速度。
S6、获取待检测的电网油色谱数据的多元时间序列，将多元时间序列输入训练好的异常检测器内，输出对应多元时间序列是否为异常时间序列。
具体实施方式二：结合图1说明本实施方式，本实施方式所述一种基于弱监督集成的多元时间序列异常检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如一种基于弱监督集成的多元时间序列异常检测方法的任一步骤。
具体实施方式三：结合图1说明本实施方式，本实施方式所述一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如一种基于弱监督集成的多元时间序列异常检测方法的任一步骤。
Claims (7)
1.一种基于弱监督集成的多元时间序列异常检测方法，其特征在于：它包括以下步骤：
S1、获取若干的多元时间序列，对多元时间序列进行数据增强，自动生成违反不同约束类型的异常时间序列，异常时间序列为获取的多元时间序列的一部分，则将剩余的多元时间序列作为正常时间序列，根据异常时间序列和正常时间序列得到异常比例平衡的训练集；
S2、利用不同的时间序列异常检测算法对训练集进行检测，得到每条多元时间序列在每个时间序列异常检测算法下的异常分数；
S3、利用CoFlux系数作为衡量标准提取训练集中任意两条时间序列的相关性，将相关性转换为向量，得到相关性特征；
S4、将每条多元时间序列的异常分数和对应的相关性特征进行合并，作为当前多元时间序列的新特征；
S5、将每条多元时间序列的新特征输入XGBoost算法内进行训练，输出对应多元时间序列是否为异常时间序列，直至检测结果的准确率基本不变，得到训练好的异常检测器；
S6、获取待检测的多元时间序列，将多元时间序列输入训练好的异常检测器内，输出对应多元时间序列是否为异常时间序列。
2.根据权利要求1中所述的一种基于弱监督集成的多元时间序列异常检测方法，其特征在于：所述S1中不同约束类型包括否定约束、速度约束和加速度约束。
3.根据权利要求2中所述的一种基于弱监督集成的多元时间序列异常检测方法，其特征在于：所述S2中不同的时间序列异常检测算法包括季节性异常检测、趋势性异常检测、模式异常检测、距离异常检测和约束异常检测。
4.根据权利要求3中所述的一种基于弱监督集成的多元时间序列异常检测方法，其特征在于：所述S3中提取任意两条时间序列的相关性的方法还包括皮尔逊系数或DTW系数。
5.根据权利要求4中所述的一种基于弱监督集成的多元时间序列异常检测方法，其特征在于：所述S3还包括：
根据某两条时间序列的相关性构建当前两条时间序列的线性模型，基于线性模型获得当前两条时间序列的函数，将函数作为约束异常检测的约束规则。
6.一种基于弱监督集成的多元时间序列异常检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现如权利要求1-5任一所述方法的步骤。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-5任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310441636.9A CN116522138A (zh) | 2023-04-23 | 2023-04-23 | 一种基于弱监督集成的多元时间序列异常检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310441636.9A CN116522138A (zh) | 2023-04-23 | 2023-04-23 | 一种基于弱监督集成的多元时间序列异常检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116522138A true CN116522138A (zh) | 2023-08-01 |
Family
ID=87402341
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310441636.9A Pending CN116522138A (zh) | 2023-04-23 | 2023-04-23 | 一种基于弱监督集成的多元时间序列异常检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116522138A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117688472A (zh) * | 2023-12-13 | 2024-03-12 | 华东师范大学 | 一种基于因果结构的无监督域适应多元时间序列分类方法 |
-
2023
- 2023-04-23 CN CN202310441636.9A patent/CN116522138A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117688472A (zh) * | 2023-12-13 | 2024-03-12 | 华东师范大学 | 一种基于因果结构的无监督域适应多元时间序列分类方法 |
| CN117688472B (zh) * | 2023-12-13 | 2024-05-24 | 华东师范大学 | 一种基于因果结构的无监督域适应多元时间序列分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108985632A (zh) | 一种基于孤立森林算法的用电数据异常检测模型 | |
| CN104297589A (zh) | 基于粗糙集和贝叶斯网络的油浸式变压器故障诊断方法 | |
| CN115563563A (zh) | 基于变压器油色谱分析的故障诊断方法及装置 | |
| CN105354643A (zh) | 一种风电接入电网的风险预测评估方法 | |
| CN110146792A (zh) | 基于生成对抗网络的变压器局部放电图谱生成方法 | |
| CN116522138A (zh) | 一种基于弱监督集成的多元时间序列异常检测方法及系统 | |
| CN116821310B (zh) | 一种基于大模型和知识图谱的企业知识库问答系统 | |
| CN112816898B (zh) | 电瓶故障预测方法、装置、电子设备和存储介质 | |
| CN106154163A (zh) | 一种电池寿命状态识别方法 | |
| CN113496440A (zh) | 一种用户异常用电检测方法及系统 | |
| CN114091549A (zh) | 一种基于深度残差网络的设备故障诊断方法 | |
| CN114595883B (zh) | 基于元学习的油浸式变压器剩余寿命个性化动态预测方法 | |
| CN117556369A (zh) | 一种动态生成的残差图卷积神经网络的窃电检测方法及系统 | |
| An et al. | Real-time Statistical Log Anomaly Detection with Continuous AIOps Learning. | |
| CN116527346A (zh) | 基于深度学习图神经网络理论的威胁节点感知方法 | |
| CN116402630A (zh) | 一种基于表征学习的财务风险预测方法及系统 | |
| CN114266676A (zh) | 一种遗传优化Bagging异质集成模型的异常用电检测方法 | |
| CN116956289B (zh) | 动态调整潜在黑名单和黑名单的方法 | |
| CN111737993B (zh) | 一种配电网设备的故障缺陷文本提取设备健康状态方法 | |
| CN111898446A (zh) | 基于多算法归一化分析的单相接地故障研判方法 | |
| CN115018007A (zh) | 一种基于改进id3决策树的敏感数据分类方法 | |
| CN114755529A (zh) | 一种基于深度学习的多特征融合单相接地故障类型辨识方法 | |
| CN114298339A (zh) | 一种变电站设备告警智能决策方法及系统 | |
| CN111191448A (zh) | 词处理方法、装置、存储介质以及处理器 | |
| Huang et al. | Online Alarm Recognition of Power Grid Dispatching Based on PRADO |
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 |