基于层级实时记忆算法的时间序列异常检测算法

被引：18

作者：

曾惟如 ^{[1
]}

吴佳 ^{[1
]}

闫飞 ^{[2
]}

机构：

[1] 电子科技大学信息与软件工程学院

[2] 西南交通大学信息科学与技术学院

来源：

电子学报 | 2018年 / 46卷 / 02期

关键词：

异常检测; 神经网络; 层级实时记忆; 稀疏离散表征;

D O I：

暂无

中图分类号：

O211.61 [平稳过程与二阶矩过程];

学科分类号：

摘要：

时间序列异常检测是数据分析中一个重要的研究领域.传统的时间序列的异常检测方法主要通过比较检测数据和历史数据的差异程度,以判断被检测数据是否为奇异点(Surprise)、离群(Outlier)点等.然而序列和窗口的划分,状态的划分或者异常的定义和判定等问题,使得这类方法存在一定的局限性.本文针对传统时间序列检测算法不足,提出一种基于层级实时记忆算法的时间序列异常检测算法.该方法对时间序列内在模式关系进行学习,建立预测模型,通过比较预测值和真实值的偏离程度来判断数据是否异常.首先使用稀疏离散表征在保证保留数据相关性的同时又将数据离散化;然后输入到模型网络,预测下一时刻的数据值;最终根据预测值和真实值的差异为数据异常程度进行定量评分.在人造数据和真实数据上的实验表明,该方法能够准确、快速地发掘时间序列中的异常.

引用

页码：325 / 332

页数：8

共 8 条

[1] 基于抽样测量的高速网络实时异常检测模型
程光
龚俭
丁伟
[J]. 软件学报, 2003, (03) : 594 - 599
[2] Time-Series Data Mining
Esling, Philippe
Agon, Carlos
[J]. ACM COMPUTING SURVEYS, 2012, 45 (01)
[3] Long-term depression: multiple forms and implications for brain function[J] . Peter V. Massey,Zafar I. Bashir.Trends in Neurosciences . 2007 (4)
[4] Symbolic time series analysis via wavelet-based partitioning
Rajagopalan, Venkatesh
Ray, Asok
[J]. SIGNAL PROCESSING, 2006, 86 (11) : 3309 - 3320
[5] Mining with rarity[J] . Gary M. Weiss.ACM SIGKDD Explorations Newsletter . 2004 (1)
[6] Time series forecasting using a hybrid ARIMA and neural network model[J] . G.Peter Zhang.Neurocomputing . 2002
[7] Learning to Forget: Continual Prediction with LSTM[J] . Felix A. Gers,J＆uuml,rgen Schmidhuber,Fred Cummins.Neural Computation . 2000 (10)
[8] Why neurons have thousands of synapses,a theory of sequence memory in neocortex. Hawkins J,Ahmad S. . 2015

← 1 →