CN116798198A - 基于多元时序预测模型的传感器异常检测与预警方法 - Google Patents
基于多元时序预测模型的传感器异常检测与预警方法 Download PDFInfo
- Publication number
- CN116798198A CN116798198A CN202211248016.5A CN202211248016A CN116798198A CN 116798198 A CN116798198 A CN 116798198A CN 202211248016 A CN202211248016 A CN 202211248016A CN 116798198 A CN116798198 A CN 116798198A
- Authority
- CN
- China
- Prior art keywords
- sensor
- early warning
- graph
- time sequence
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 230000005856 abnormality Effects 0.000 title claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 238000009826 distribution Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 7
- 230000003068 static effect Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了基于多元时序预测模型的传感器异常检测与预警方法，包括获得节点之间隐式图邻接矩阵；将配电房传感器采集的多元时间序列型实时环境数据上传到边端，并输入多元时序预测的图神经网络，将输入投射到一个潜空间；利用时间卷积模块捕捉多元时间序列数据的时间相关性；利用图卷积模块捕捉数据的空间相关性；对设备状况进行异常检测与预警。本发明针对配电房传感器采集到的数据，采用智能的异常检测方式，能充分利用传感器数据，提高检测和预警的准确率，同时能够捕捉异质性信息，构建传感器状态节点与状态间的前后依存关系，高效准确地定位异常传感器。
Description
技术领域
本发明涉及数据挖掘技术领域，特别是基于多元时序预测模型的传感器异常检测与预警方法。
背景技术
随着物联网技术的蓬勃发展，智慧城市等概念的提出，物联网逐渐覆盖了我们生产和生活的方方面面，这也使得各类嵌入式传感器等物联网设备的数量呈现爆发式增加。与之相对应的是传感器实时采集的数据不断增加，这也使得人类很难进行手动监测和管理数据和设备的异常。而受益于深度神经网络技术的飞速发展以及其卓越的性能，被越来越多地应用到了时间序列数据异常检测的场景之中。
为响应智慧城市的号召，提高信息处理能力和电网服务水平，并且进一步提高电网的安全性，现阶段云南电网已建成的30多座低压智能配电房，覆盖了进线柜、配变、低压开关和环境监测等，一定程度上提高了运维效率。但目前，低压配电房智能化管理、监测和控制采用的“云-边-端”架构模式，普遍存在异质数据应用水平低、关联分析能力不足、故障定位查找不准等问题。因此，一种能够对终端传感器上传的数据进行处理与表征，捕捉不同传感器之间异常的关联性，基于当前传感器信息对即将发生或存在的异常状况预测与评估，进而快速找到异常数据和异常传感器的方法急需等待提出。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述和/或现有的基于多元时序预测模型的传感器异常检测与预警方法中存在的问题，提出了本发明。
因此，本发明所要解决的问题在于如何提供基于多元时序预测模型的传感器异常检测与预警方法。
为解决上述技术问题，本发明提供如下技术方案：基于多元时序预测模型的传感器异常检测与预警方法，其包括获得节点之间隐式图邻接矩阵；
将配电房传感器采集的多元时间序列型实时环境数据上传到边端，并输入多元时序预测的图神经网络，将输入投射到一个潜空间；
利用时间卷积模块捕捉多元时间序列数据的时间相关性；
利用图卷积模块捕捉数据的空间相关性；
对设备状况进行异常检测与预警。
作为本发明所述基于多元时序预测模型的传感器异常检测与预警方法的一种优选方案，其中：所述获得节点之间隐式图邻接矩阵的步骤包括：
将传感器节点表征的静态特征输入图学习层；
通过学习传感器之间的静态特征，获得图邻接矩阵；
所述图邻接矩阵根据新的训练数据更新模型参数进行改变。
作为本发明所述基于多元时序预测模型的传感器异常检测与预警方法的一种优选方案，其中：所述多元时间序列型实时环境数据为节点，所述多元时序预测为一个图结构。
作为本发明所述基于多元时序预测模型的传感器异常检测与预警方法的一种优选方案，其中：所述将配电房传感器采集的多元时间序列型实时环境数据上传到边端，并输入多元时序预测的图神经网络，将输入投射到一个潜空间的步骤包括：
挖掘变量之间隐式空间依赖；
处理无显示图结构的配电房传感器数据，使模型在无预定义的图结构的情况下发掘图结构。
作为本发明所述基于多元时序预测模型的传感器异常检测与预警方法的一种优选方案，其中：所述利用时间卷积模块捕捉多元时间序列数据的时间相关性通过控制时序卷积模块接收域的大小的超参数膨胀因子d数值，并令其以q的指数速率增加。
作为本发明所述基于多元时序预测模型的传感器异常检测与预警方法的一种优选方案，其中：多次运行所述利用时间卷积模块捕捉多元时间序列数据的时间相关性和所述利用图卷积模块捕捉数据的空间相关性，增加网络深度，捕捉传感器数据中更深层的信息。
作为本发明所述基于多元时序预测模型的传感器异常检测与预警方法的一种优选方案，其中：所述异常检测包括如下步骤：
计算模型预测值与当前真实数值的差异；
对数值差异与不一致的步长设置阈值，当超过阈值时，将当前情况标定为异常。
作为本发明所述基于多元时序预测模型的传感器异常检测与预警方法的一种优选方案，其中：设置临界状态阈值；
模型预测的数值超过临界状态阈值时，触发预警。
作为本发明所述基于多元时序预测模型的传感器异常检测与预警方法的一种优选方案，其中：所述利用图卷积模块包括信息传播层和信息选择层两个子模块；
信息传播层，其计算公式为：
其中，β为超参数，用于保持多少比例的原始节点信息；k表示传播层的深度，Hin表示当前层的隐层输入，即前一层的输出，Hout为当前层的隐层输出状态，Hin＝H(0)，其中/>
信息选择层，其计算公式为：
其中，W(k)为参数矩阵，当给定图结构没有空间依赖时，即信息传播公式中后半部分需要为0时，令W(k)＝0，仅保留初始节点信息。
作为本发明所述基于多元时序预测模型的传感器异常检测与预警方法的一种优选方案，其中：所述多元时间序列中变量之间的关系是单向的，一个前序节点的变化会引起后续节点的变化，具体通过如下公式表示：
M1＝tanh(αE1Θ1)
M2＝tanh(αE2Θ2)
for i＝1,2,…,N
idx＝argtopk(A[i,:])
A[i,-idx]＝0
其中，E1,E2为初始化节点嵌入，θ1,θ2为模型参数，α为激活函数的饱和率，argtopk(·)返回向量中最大值下标；
A为计算邻接矩阵的非对称信息，使用ReLU激活可以正则化邻接矩阵的效果，当Auv为正值，其对角元素Avu将为0，负值在ReLU下为0；For循环稀疏邻接矩阵；argtopk(·)为选择节点最近的k个节点。
本发明有益效果为1.充分利用配电房传感器产生的数据，并且随着数据采集时间的增多，检测和预警的准确率也会随之提升；2.捕捉以往忽视的不同传感器之间的异质信息，感知相同配电房不同传感器之间的相关关系，充分利用传感器之间的潜在空间相关性；3.借助图神经网络部分对时间依赖性表现出的较高能力，构建传感器状态节点与状态间的前后依存关系，进一步提高序列预测的准确率；4.通过多元时序预测模型的时间序列预测情况，能高效定位到出现异常的变量，即特定配电房的传感器，有效提高配电站的风险防控能力，帮助技术人员快速前往配电站排除故障与异常。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明整体框架图。
图2为本发明模型示意图。
图3为本发明异常检测与模型预警方式示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例1
参照图1和图2，为本发明第一个实施例，该实施例提供了基于多元时序预测模型的传感器异常检测与预警方法，包括：
S1：获得节点之间隐式图邻接矩阵；
更进一步的，具体通过如下步骤：
将传感器节点表征的静态特征输入图学习层；
通过学习传感器之间的静态特征，获得图邻接矩阵；
所述图邻接矩阵根据新的训练数据更新模型参数进行改变。
更进一步的，图学习层得到的图邻接矩阵并非一旦在在线学习中训练模型，模型中的图邻接矩阵也可以随着新的训练数据更新模型参数而改变。
S2：将配电房传感器采集的多元时间序列型实时环境数据上传到边端，并输入多元时序预测的图神经网络，通过1×1的卷积层，将输入投射到一个潜空间；
更进一步的，把配电房中各个传感器产生的数据片段看作节点，把所述多元时序预测为一个图结构。
更进一步的，具体通过如下步骤：
挖掘变量之间隐式空间依赖；
处理无显示图结构的配电房传感器数据，使模型在无预定义的图结构的情况下发掘图结构。
S3：利用时间卷积模块捕捉多元时间序列数据的时间相关性；
更进一步的，将S2中生成的投射数据输入到时间卷积模块，利用时间卷积模块，捕捉多元时间序列数据的时间相关性。
更进一步的，所述利用时间卷积模块捕捉多元时间序列数据的时间相关性通过控制时序卷积模块接收域的大小的超参数膨胀因子d数值，并令其以q的指数速率增加。
S4：利用图卷积模块捕捉数据的空间相关性；
更进一步的，利用图卷积模块，处理S1中生成的隐式图邻接矩阵和S3中处理后的多元序列，捕捉数据的空间相关性。
更进一步的，在模型中，多次运行S3和S4，以增加网络深度，捕捉传感器数据中更深层的信息。
S5：对设备状况进行异常检测与预警。
更进一步的，根据S1至S4中图神经网络进行数据处理而得到的传感器特定时间步内的预测值，结合前序传感器上传的数据和当前传感器的状况，设置相应的阈值，对设备状况进行异常检测与预警。
更进一步的，异常检测包括如下步骤：
计算模型预测值与当前真实数值的差异；
对数值差异与不一致的步长设置阈值，当超过阈值时，将当前情况标定为异常。
更进一步的，预警方法包括如下步骤：
设置临界状态阈值；
模型预测的数值超过临界状态阈值时，触发预警。
需要说明的是，模型中加入了残差连接和跳过连接，以避免梯度消失的问题。
实施例2
参照图2和图3，为本发明第二个实施例，其在第一个实施例的基础之上，还包括，
S1中，将传感器节点表征的静态特征输入图学习层，通过模型的逐步训练，获得节点之间隐式图邻接矩阵。其中，时间序列中变量之间的关系是单向的，一个前序节点的变化会引起后续节点的变化。具体的实现方法如下所示，
M1＝tanh(αE1Θ1)
M2＝tanh(αE2Θ2)
for i＝1,2,…,N
idx＝argtopk(A[i,:])
A[i,-idx]＝0
其中，E1,E2为初始化节点嵌入，θ1,θ2为模型参数，α为激活函数的饱和率，argtopk(·)返回向量中最大值下标。β为计算邻接矩阵的非对称信息，其中使用ReLU激活可以正则化邻接矩阵的效果，如Auv为正值，那么它的对角元素Avu将为0(负值在ReLU下为0)。For循环起到稀疏邻接矩阵的作用，这样可以降低随后图卷积网络的计算代价。为选择节点最近的k个节点，这样可以减少邻居节点的个数，降低计算复杂度。
S2中，配电房传感器采集多元时间序列型的实时环境数据上传到边端，并输入多元时序预测的图神经网络，通过1×1的卷积层，将输入投射到一个潜空间。具体来说，通过1×1的卷积层能够保证在feature map不变的情况下增加数据的非线性特性，融合在多传感器背景下时间序列数据中的多元信息。
S3中，将经过S2中卷积处理过的数据输入到时间卷积模块，利用时间卷积模块，对多元序列数据进行处理，捕捉多元时间序列数据的时间相关性。主要通过空洞卷积来提取时间序列的高维特征。其具体步骤如下：
首先，选择一个适当大小的卷积核，能够确保模型正确捕捉到时间序列的周期信号。常用的参数为1×1、1×3、1×5。经由相关实验的开展，考虑到自然时序周期7、12、24、60，优选的是1×2,1×3,1×6与1×7的卷积核能够交替捕捉时间序列的潜在固有周期。
然后，为了在参数规模不变的情况下，处理较长的时间序列、扩大模型的感受野，让每一层的膨胀因子d以q指数增长。经过实验，优选的是q＝2。
S4中，利用图卷积模块，处理S1中生成的图邻接矩阵和S3中处理后的多元序列，捕捉多元序列数据的空间相关性。通过该模块可以整合节点以及邻居节点信息，包含两个子模块：信息传播层和信息选择层。具体部分如下：
(1)信息传播层，其计算公式为：
其中β为超参数，用于保持多少比例的原始节点信息。k表示传播层的深度，Hin表示当前层的隐层输入，即前一层的输出，Hout为当前层的隐层输出状态，Hin＝H(0)，其中/>
更进一步的，信息传播层递归地传播节点信息，在多层图卷积网络中会遇到一个问题，同一个连通图的节点表征随着网络层数的加深，趋向于一个相同的值，无法区分不同的节点(过度平滑问题)。上述式子缓解过度平滑的方式为，加入了一个初始节点信息保持因子，这样传播过程中节点既可以保持局部性，还可以得到更新的邻居信息。
(2)信息选择层，为了避免信息传播层中存在的信息丢失情况，建立一种特征选择器，筛选重要的信息传递到下一层，计算方式为：
其中，W(k)为参数矩阵，当给定图结构没有空间依赖时，即信息传播公式中后半部分需要为0时，令W(k)＝0，这样仅保留了初始节点信息。
(3)跳跃连接层将多个模块的输出进行拼接，基于跳跃连接层将信息规范化，使得输入与输出的序列长度相同。输出层包括两个1x1的卷积层，用于指定输出维度。模型为多步Q预测，输出维度为Q。Q基于S5中不同情况而有所不同。
S5：根据S1～S4中图神经网络进行数据处理而得到的传感器特定时间步内的预测值，结合前序传感器上传的数据和当前传感器的状况，设置相应的阈值，对设备状况进行异常检测与预警。异常检测与预警的示意图见附图3。
更进一步的，异常检测方法为，基于前序传感器上传的数据，通过时序预测模型对传感器的特定时间步内的数值进行预测。模型预测值为传感器在环境、工作状态正常的情况下将会呈现的情况，比较模型预测值与当前真实数值的差异，对数值差异与不一致的步长设置阈值，当超过阈值时，将当前情况标定为异常。在异常检测过程中，模型的输出维度为Q＝5，模型的预测步长为5。当T+5时刻内，真实值的数额超过基于预测值数额的百分比时，将数据标记为异常。
更进一步的，预警方法为，基于前序传感器上传的数据和当前传感器状况，通过多元时序预测模型对传感器的后续数值进行预测，设置临界状态阈值，当模型预测的数值超过临界状态阈值时，触发预警，能在传感器实际数值直接触发前预估设备情况并上报。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.基于多元时序预测模型的传感器异常检测与预警方法，其特征在于：包括，
获得节点之间隐式图邻接矩阵；
将配电房传感器采集的多元时间序列型实时环境数据上传到边端，并输入多元时序预测的图神经网络，将输入投射到一个潜空间；
利用时间卷积模块捕捉多元时间序列数据的时间相关性；
利用图卷积模块捕捉数据的空间相关性；
对设备状况进行异常检测与预警。
2.如权利要求1所述的基于多元时序预测模型的传感器异常检测与预警方法，其特征在于：所述获得节点之间隐式图邻接矩阵的步骤包括：
将传感器节点表征的静态特征输入图学习层；
通过学习传感器之间的静态特征，获得图邻接矩阵；
所述图邻接矩阵根据新的训练数据更新模型参数进行改变。
3.如权利要求2所述的基于多元时序预测模型的传感器异常检测与预警方法，其特征在于：所述多元时间序列型实时环境数据为节点，所述多元时序预测为一个图结构。
4.如权利要求3所述的基于多元时序预测模型的传感器异常检测与预警方法，其特征在于：所述将配电房传感器采集的多元时间序列型实时环境数据上传到边端，并输入多元时序预测的图神经网络，将输入投射到一个潜空间的步骤包括：
挖掘变量之间隐式空间依赖；
处理无显示图结构的配电房传感器数据，使模型在无预定义的图结构的情况下发掘图结构。
5.如权利要求4所述的基于多元时序预测模型的传感器异常检测与预警方法，其特征在于：所述利用时间卷积模块捕捉多元时间序列数据的时间相关性通过控制时序卷积模块接收域的大小的超参数膨胀因子d数值，并令其以q的指数速率增加。
6.如权利要求5所述的基于多元时序预测模型的传感器异常检测与预警方法，其特征在于：多次运行所述利用时间卷积模块捕捉多元时间序列数据的时间相关性和所述利用图卷积模块捕捉数据的空间相关性，增加网络深度，捕捉传感器数据中更深层的信息。
7.如权利要求6所述的基于多元时序预测模型的传感器异常检测与预警方法，其特征在于：所述异常检测包括如下步骤：
计算模型预测值与当前真实数值的差异；
对数值差异与不一致的步长设置阈值，当超过阈值时，将当前情况标定为异常。
8.如权利要求7所述的基于多元时序预测模型的传感器异常检测与预警方法，其特征在于：所述预警方法包括如下步骤：
设置临界状态阈值；
模型预测的数值超过临界状态阈值时，触发预警。
9.如权利要求8所述的基于多元时序预测模型的传感器异常检测与预警方法，其特征在于：所述利用图卷积模块包括信息传播层和信息选择层两个子模块；
信息传播层，其计算公式为：
其中，β为超参数，用于保持多少比例的原始节点信息；k表示传播层的深度，Hin表示当前层的隐层输入，即前一层的输出，Hout为当前层的隐层输出状态，Hin＝H(0)，其中/>
信息选择层，其计算公式为:
其中，W(k)为参数矩阵，当给定图结构没有空间依赖时，即信息传播公式中后半部分需要为0时，令W(k)＝0，则仅保留初始节点信息。
10.如权利要求9所述的基于多元时序预测模型的传感器异常检测与预警方法，其特征在于：所述多元时间序列中变量之间的关系是单向的，一个前序节点的变化会引起后续节点的变化，具体通过如下公式表示：
M1＝tanh(αE1Θ1)
M2＝tanh(αE2Θ2)
for i＝1,2,…,N
idx＝argtopk(A[i,:])
A[i,-idx]＝0
其中，E1,E2为初始化节点嵌入，θ1,θ2为模型参数，α为激活函数的饱和率，argtopk(·)返回向量中最大值下标；
A为计算邻接矩阵的非对称信息，使用ReLU激活可以正则化邻接矩阵的效果，当Auv为正值，其对角元素Avu将为0，当Auv为负值，在ReLU下则为0；For循环稀疏邻接矩阵；argtopk(·)为选择节点最近的k个节点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211248016.5A CN116798198A (zh) | 2022-10-12 | 2022-10-12 | 基于多元时序预测模型的传感器异常检测与预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211248016.5A CN116798198A (zh) | 2022-10-12 | 2022-10-12 | 基于多元时序预测模型的传感器异常检测与预警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116798198A true CN116798198A (zh) | 2023-09-22 |
Family
ID=88045633
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211248016.5A Pending CN116798198A (zh) | 2022-10-12 | 2022-10-12 | 基于多元时序预测模型的传感器异常检测与预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116798198A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117496650A (zh) * | 2024-01-02 | 2024-02-02 | 浙江省白马湖实验室有限公司 | 一种基于环境嵌入的分布式光纤入侵预警方法及系统 |
| CN117912211A (zh) * | 2024-03-18 | 2024-04-19 | 延安大学西安创新学院 | 基于物联网的园林环境数据分析及报警系统 |
-
2022
- 2022-10-12 CN CN202211248016.5A patent/CN116798198A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117496650A (zh) * | 2024-01-02 | 2024-02-02 | 浙江省白马湖实验室有限公司 | 一种基于环境嵌入的分布式光纤入侵预警方法及系统 |
| CN117496650B (zh) * | 2024-01-02 | 2024-03-26 | 浙江省白马湖实验室有限公司 | 一种基于环境嵌入的分布式光纤入侵预警方法及系统 |
| CN117912211A (zh) * | 2024-03-18 | 2024-04-19 | 延安大学西安创新学院 | 基于物联网的园林环境数据分析及报警系统 |
| CN117912211B (zh) * | 2024-03-18 | 2024-05-31 | 延安大学西安创新学院 | 基于物联网的园林环境数据分析及报警系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116798198A (zh) | 基于多元时序预测模型的传感器异常检测与预警方法 | |
| CN117354171B (zh) | 基于物联网平台的平台健康状况预警方法及系统 | |
| CN113325721B (zh) | 一种工业系统无模型自适应控制方法及系统 | |
| CN113344470B (zh) | 一种基于区块链的供电系统智能管理方法 | |
| CN110414715B (zh) | 一种基于社团检测的客流量预警方法 | |
| CN116247824B (zh) | 电力设备的控制方法及其系统 | |
| CN117175588B (zh) | 基于时空相关性的用电负荷预测方法及装置 | |
| CN116665130A (zh) | 基于时空图的大坝安全监测多元时间序列异常检测方法 | |
| CN112272074B (zh) | 一种基于神经网络的信息传输速率控制方法及系统 | |
| CN112565187A (zh) | 基于逻辑回归的电网攻击检测方法、系统、设备及介质 | |
| CN111030299A (zh) | 一种基于边信道的电网嵌入式终端安全监测方法及系统 | |
| CN118193954A (zh) | 一种基于边缘计算的配电网异常数据检测方法及系统 | |
| CN118411589A (zh) | 一种基于时空图神经网络的半导体晶圆制造异常检测方法及装置 | |
| US20230297095A1 (en) | Monitoring device and method for detecting anomalies | |
| CN112128950B (zh) | 一种基于多种模型对比的机房温湿度预测方法及系统 | |
| CN117077854B (zh) | 基于传感器网络的楼宇能耗监控方法及系统 | |
| CN117290786A (zh) | 一种基于迭代式深度时序因果发现的故障检测方法 | |
| CN115865458B (zh) | 基于lstm和gat算法的网络攻击行为检测方法、系统及终端 | |
| CN115409217A (zh) | 一种基于多专家混合网络的多任务预测性维护方法 | |
| WO2023155967A1 (en) | Thermal anomaly management | |
| Ridi et al. | Duration models for activity recognition and prediction in buildings using hidden markov models | |
| CN114548483A (zh) | 一种水位预测方法、装置、电子设备及存储介质 | |
| CN117669735B (zh) | 煤矿业务场景人工智能模型的应用系统 | |
| CN117251731A (zh) | 基于动态图学习和长短期时间卷积的多变量时序数据异常检测方法及系统 | |
| CN117640342B (zh) | 一种电力监控系统主体异常检测方法、装置、设备和介质 |
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 |