CN102360378A - 一种时序数据离群点检测方法 - Google Patents
一种时序数据离群点检测方法 Download PDFInfo
- Publication number
- CN102360378A CN102360378A CN201110307662XA CN201110307662A CN102360378A CN 102360378 A CN102360378 A CN 102360378A CN 201110307662X A CN201110307662X A CN 201110307662XA CN 201110307662 A CN201110307662 A CN 201110307662A CN 102360378 A CN102360378 A CN 102360378A
- Authority
- CN
- China
- Prior art keywords
- series data
- time series
- data
- time
- value
- 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 27
- 238000013450 outlier detection Methods 0.000 title claims abstract description 17
- 238000009826 distribution Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000000737 periodic effect Effects 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 230000003203 everyday effect Effects 0.000 claims description 5
- 239000012141 concentrate Substances 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract 2
- 125000004122 cyclic group Chemical group 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Landscapes
- Complex Calculations (AREA)
Abstract
本发明公开了一种时序数据离群点检测方法,包括以下步骤:将训练数据集中的时序数据按星期一到星期日划分进行聚类;使用每次聚类结果中最大的簇构建时序数据在星期粒度下的数据分布模型;根据所述数据分布模型,找出训练数据集中所有的异常值,分别求出各个时段的数据分布模型;查找符合各个时段的数据分布模型的异常值中,是否存在以大于星期粒度的时间粒度为周期发生的周期事件,如果存在,将其记录下来,作为一类特殊周期模式;判断测试数据集中的时序数据是否符合星期模式,如果符合,则判定该时序数据为非离群点;否则,判断该时序数据是否符合特殊周期模式,如果符合,则判定该时序数据为非离群点,否则判定该时序数据为离群点。
Description
技术领域
本发明涉及一种数据的特征检索方法,特别是一种基于多粒度周期模式的时序数据离群点检测方法。
背景技术
离群点检测是数据挖掘中的四类知识发现任务之一,其目的在于发现与其它数据的一般行为或模型不一致的数据对象,也就是离群点。在现实生活中,存在着各种包含周期性事件的时间序列数据,对时序数据进行离群点检测在许多领域中都有现实意义。
基于周期模式分析的时序离群点检测可以引导人们去研究离群点产生的原因,有利于及时解决与应对突发或异常事件。目前在时序离群点检测方法中,大都没有考虑到时序数据本身的周期性。在针对周期性时序数据研究的方法中,处理的大都是名词性属性的序列数据,无法对实值性属性的时序数据进行处理。
发明内容
发明目的:本发明所要解决的技术问题是针对现有技术的不足,提供一种时序数据离群点检测方法,利用得到的周期模式来发现那些偏离周期模式的离群点。
为了解决上述技术问题,本发明公开了一种数据离群点检测方法,包括以下步骤:
步骤(1)将训练数据集中的时序数据按星期一到星期日划分,利用K-means算法对按天划分的时序数据分别进行聚类,每聚类一次得到一组簇,每个时序数据表示一个时间对应的一个事件;
步骤(2)进行迭代,使用每次聚类结果中最大的簇构建时序数据在星期粒度下的数据分布模型;与人类生活相关的时序数据中,最有代表性的是每一星期的数据都具有类似的模式,因此将星期(week)作为周期模式分析的基本粒度,简称星期粒度。
步骤(3)根据所述数据分布模型,找出训练数据集中所有的异常值,将所述异常值按照同月同日划分,将每日按照小时划分为各个时段,并分别求出各个时段的数据分布模型;
步骤(4)查找符合各个时段的数据分布模型的异常值中,是否存在以大于星期粒度的时间粒度为周期发生的周期事件,如果存在,将其记录下来,作为一类特殊周期模式;
步骤(5)判断测试数据集中的时序数据是否符合星期模式,如果符合,则判定该时序数据为非离群点;否则,判断该时序数据是否符合特殊周期模式,如果符合,则判定该时序数据为非离群点,否则判定该时序数据为离群点。
本发明,步骤(1)中,使用参数k来控制簇的数量,并计算每个簇的中心值c,使用中心值c将时序数据离散化,k取任意自然数。
本发明,构建数据分布模型时,假设时序数据将服从两种分布之一:均匀分布或正态分布;其中(1)函数add(0,μ,σ)中第一位0代表时序数据服从均匀分布,第二位表示期望值,均匀分布中期望值等于时序数据的值value,第三位表示标准差,均匀分布中标准差为0,add函数表示将该时序数据的模型加入本类模式,服从均匀分布,则数据就会有相同的value值,因此标准差也为0.2)函数add(1,μ,σ)中第一位1代表时序数据服从正态分布,μ为期望值,σ为标准差,根据计算得到对应该簇的期望和标准差,即得到该簇的分布。
本发明,在函数add(1,μ,σ)中,判断时序数据是否符合某正态分布时,选取的阈值为4σ,如果时序数据与此正态分布的期望偏离大于该阈值,则判定时序数据不满足假设的正态分布,则判定该时序数据为不满足数据分布模型。因为同一正态分布的数据与期望偏离小于4倍标准差的概率大于0.9999。如果与此正态分布的期望偏离大于该阈值,本发明认为它们不是来自同一数据模型。
本发明步骤(4)中查找符合数据行为模型的异常值时,将同月同日的时序数据划分至同一个集合,按照日历类型进行转换,其中日历类型为公历或者农历。
有益效果:本发明将基于不同的时间间隔粒度(以年、周为不同的时间粒度)来探测不同的周期模式,并利用得到的结果来发现那些偏离周期模式的离群点。与现有技术相比,其显著优点是可以避免将较大时间粒度下的周期性正常数据误报为异常值,提高了异常检测的准确率。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述和/或其他方面的优点将会变得更加清楚。
图1是本发明方法的总体结构图。
图2是本发明方法的流程图。
图3是离群点检测部分流程图。
具体实施方式
如图1所示,本发明方法包含3个基本部分:首先,基于训练数据集找出每周的数据行为模式,判定数据的模型;然后,生成不同的粒度特殊周期模式;对于测试数据集,利用上面得到的周期模式探测离群点。
本发明方法流程如图2所示,下面详细说明:
步骤(1)将训练数据集中的时序数据按星期一到星期日划分,利用K-means算法对按天划分的时序数据分别进行聚类,每聚类一次得到一组簇,每个时序数据表示一个时间对应的一个事件;
步骤(2)进行迭代,使用每次聚类结果中最大的簇构建时序数据在星期粒度下的数据分布模型;与人类生活相关的时序数据中,最有代表性的是每一星期的数据都具有类似的模式,因此将星期(week)作为周期模式分析的基本粒度,简称星期粒度。
步骤(3)根据所述数据分布模型,找出训练数据集中所有的异常值,将所述异常值按照同月同日划分,将每日按照小时划分为各个时段,并分别求出各个时段的数据分布模型;
步骤(4)查找符合各个时段的数据分布模型的异常值中,是否存在以大于星期粒度的时间粒度为周期发生的周期事件,如果存在,将其记录下来,作为一类特殊周期模式;
如图3所示,步骤(5)判断测试数据集中的时序数据是否符合星期模式,如果符合,则判定该时序数据为非离群点;否则,判断该时序数据是否符合特殊周期模式,如果符合,则判定该时序数据为非离群点,否则判定该时序数据为离群点。
本发明采用经典的K-means聚类算法聚类,先将数据分为k个簇(k是提前设置的参数),并且通过将每个数据点用它所在簇的中心值表示来达到离散化的效果。具体计算方法为:
循环遍历每个簇:计算每个簇的中心值c;
循环遍历数据集中的每个时序数据点d,将c赋值给d,c即是d所在簇的中心值。
利用该方法,步骤(3)中根据聚类结果中最多的一类,也就是正常值所在的那一类,来判定时序数据的周期行为模型,假设数据服从两种分布之一:均匀分布或正态分布。使用最大的簇来构建数据模型时:函数add(0,value,0);括号中的三个参数分别表示模型类型,时序数据的值和标准差,其中模型类型为0,代表数据服从均匀分布。函数add(1,μ,σ);模型类型为1,代表数据服从正态分布,μ,σ分别为期望值和标准差。
实施例
本实例使用的数据集表示了不同时段学校教学楼里的人数,其构造方法如表1.1所示。这是结合实际情况设计的,在六点前教学楼不开门,因此人数为0,正常工作日的人数比周末的明显要多,而且平常上课在上下午各有一个人数高峰期。表中的N(μ,σ)表示数据满足以μ为期望,以σ为标准差的正态分布。
表1.1教学楼人数数据集的构造方式,每一天的人数分布对应一个时序数据。
时间(小时) | 周末 | 工作日 |
0:00~5:00 | 0 | 0 |
6:00~7:00 | N(5,1) | N(20,1) |
8:00~11:00 | N(30,5) | N(200,10) |
12:00~14:00 | N(10,1) | N(20,1) |
15:00~17:00 | N(50,5) | N(200,10) |
18:00~21:00 | N(20,2) | N(100,5) |
22:00~23:00 | N(5,1) | N(20,1) |
同时,本实施例假定每年的1月和8月分别为寒假和暑假,以及五一三天和十一七天假期教学楼都不开放,即人数为0,这将作为特殊周期模式设计。
对应于前述的步骤(1),如表1.1所示,将数据集按照星期一至星期日进行划分,星期一到星期五为工作日,星期六到星期日为周末。然后用K-means对数据进行聚类。
对应于步骤(2),根据每次聚类结果中最大的簇构建时序数据在星期粒度下的数据分布模型,如表1.2所示的前12小时周日数据分布和周一数据分布的总体情况即期望和,可以看出,其计算结果与数据集的构造相差无几,说明该星期模式准确描述了数据的分布情况。
对应于步骤(3),如表1.2所示,将每日按照小时划分为各个时段,并分别求出各个时段的数据分布模型。
表1.2教学楼人数数据集的星期模式表示。
对应于步骤(4),对于星期模式的异常值,再次查找以大于星期粒度的时间粒度为周期发生的周期事件,得到特殊周期模式,如表1.3所示,1948.1.1为元旦,假期学校无人记作一种特殊周期模式。
表1.3教学楼人数数据集的特殊周期模式表示。
实例中生成了六十年的数据,其中前五十年作为训练数据集(1948年1月1日至1997年12月31日),后十年作为测试数据集(1998年1月1日至2007年12月31日)。表4.2和4.3分别给出了算法从训练数据中得出的星期模式与特殊周期模式。表4.2显示了,以周日和周一前12个小时为代表的数据分布情况,其中分布类型为0代表均匀分布,为1代表正态分布。从表中可以看出,结果与构造函数非常接近,即准确地计算出了数据的分布情况。表4.3以1月1日为例说明了特殊模式的表示形式,周期即事件发生的固定间隔,模型即这一天的数据分布。实例中,算法将预先假定的特殊周期模式全部都找出,即每年的假期教学楼里的人数均为0。
表1.4给出了对测试数据进行离群点探测的结果,并且对比了不带特殊周期模式和带特殊周期模式的结果,前者将有规律的特殊事件作为离群点,而后者正确判断了并没有离群点存在。从此可以看出有了特殊周期模式,能够减少对此类事件的离群点误报。
表1.4结果对比。
不带特殊周期模式 | 带特殊周期模式 |
1998-01-01 | -- |
1998-01-02 | -- |
1998-01-03 | -- |
1998-01-04 | -- |
1998-01-05 | -- |
1998-01-06 | -- |
... | ... |
该实例说明了本算法能准确计算出星期模式及特殊周期模式,并且基于这两种模式可以有效避免对有规律的特殊事件进行误报。
本发明提供了一种时序数据离群点检测方法的思路及方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (5)
1.一种时序数据离群点检测方法,其特征在于,包括以下步骤:
步骤(1)将训练数据集中的时序数据按星期一到星期日划分,利用K-means算法对按天划分的时序数据分别进行聚类,每聚类一次得到一组簇,每个时序数据表示一个时间对应的一个事件;
步骤(2)进行迭代,使用每次聚类结果中最大的簇构建时序数据在星期粒度下的数据分布模型;
步骤(3)根据所述数据分布模型,找出训练数据集中所有的异常值,将所述异常值按照同月同日划分,将每日按照小时划分为各个时段,并分别求出各个时段的数据分布模型;
步骤(4)查找符合各个时段的数据分布模型的异常值中,是否存在以大于星期粒度的时间粒度为周期发生的周期事件,如果存在,将其记录下来,作为一类特殊周期模式;
步骤(5)判断测试数据集中的时序数据是否符合星期模式,如果符合,则判定该时序数据为非离群点;否则,判断该时序数据是否符合特殊周期模式,如果符合,则判定该时序数据为非离群点,否则判定该时序数据为离群点。
2.根据权利要求1所述的一种时序数据离群点检测方法,其特征在于,步骤(1)中,使用参数k来控制簇的数量,并计算每个簇的中心值c,使用中心值c将时序数据离散化,k取任意自然数。
3.根据权利要求1所述的一种时序数据离群点检测方法,其特征在于,步骤(2)中,构建数据分布模型时,假设时序数据将服从两种分布之一:均匀分布或正态分布;其中(1)函数add(0,μ,σ)中第一位0代表时序数据服从均匀分布,第二位表示期望值,均匀分布中期望值等于时序数据的值value,第三位表示标准差,均匀分布中标准差为0;(2)函数add(1,μ,σ)中第一位1代表时序数据服从正态分布,μ为期望值,σ为标准差。
4.根据权利要求3所述的一种时序数据离群点检测方法,其特征在于,在函数add(1,μ,σ)中,判断时序数据是否符合正态分布时,选取的阈值为4σ,如果时序数据与此正态分布的期望偏离大于该阈值,则判定时序数据不满足假设的正态分布,则判定该时序数据为不满足数据分布模型。
5.根据权利要求1所述的一种时序数据离群点检测方法,其特征在于,步骤(4)中查找符合数据行为模型的异常值时,将同月同日的时序数据划分至同一个集合,按照日历类型进行转换,其中日历类型为公历或者农历。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110307662XA CN102360378A (zh) | 2011-10-10 | 2011-10-10 | 一种时序数据离群点检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110307662XA CN102360378A (zh) | 2011-10-10 | 2011-10-10 | 一种时序数据离群点检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102360378A true CN102360378A (zh) | 2012-02-22 |
Family
ID=45585707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110307662XA Pending CN102360378A (zh) | 2011-10-10 | 2011-10-10 | 一种时序数据离群点检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102360378A (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184512A (zh) * | 2011-05-10 | 2011-09-14 | 天津大学 | 利用手机数据发现城市活动中异常事件的方法 |
CN102799616A (zh) * | 2012-06-14 | 2012-11-28 | 北京大学 | 大规模社会网络中的离群点检测方法 |
CN103246728A (zh) * | 2013-05-10 | 2013-08-14 | 北京大学 | 一种基于文档词汇特征变化的突发事件检测方法 |
CN103853817A (zh) * | 2014-01-16 | 2014-06-11 | 首都师范大学 | 基于gis的海量统计数据的空间奇异点发掘方法 |
CN105512474A (zh) * | 2015-12-02 | 2016-04-20 | 国网山东省电力公司电力科学研究院 | 一种变压器状态监测数据的异常检测方法 |
CN106202874A (zh) * | 2016-06-28 | 2016-12-07 | 黑龙江工程学院 | 一种基于实测数据的可疑点判别方法 |
CN106371939A (zh) * | 2016-09-12 | 2017-02-01 | 山东大学 | 一种时序数据异常检测方法及其*** |
CN103927392B (zh) * | 2014-05-04 | 2017-03-22 | 苏州大学 | 一种深层网络数据源异常点的检测方法及*** |
CN106649579A (zh) * | 2016-11-17 | 2017-05-10 | 苏州航天***工程有限公司 | 一种用于管网建模的时序数据清洗方法 |
CN106777111A (zh) * | 2016-12-15 | 2017-05-31 | 华南师范大学 | 一种超大规模数据的时序检索索引***及方法 |
CN108083044A (zh) * | 2017-11-21 | 2018-05-29 | 浙江新再灵科技股份有限公司 | 一种基于大数据分析的电梯按需维保***及方法 |
CN108899068A (zh) * | 2018-06-14 | 2018-11-27 | 四川久远银海软件股份有限公司 | 一种异常治疗时间确定方法与装置 |
CN109074432A (zh) * | 2016-03-03 | 2018-12-21 | 斯特拉克斯私人有限公司 | 用于识别和量化异常的方法与设备 |
CN109597702A (zh) * | 2018-12-03 | 2019-04-09 | 深圳前海微众银行股份有限公司 | 消息总线异常的根因分析方法、装置、设备及存储介质 |
CN109767443A (zh) * | 2019-01-17 | 2019-05-17 | 深圳码隆科技有限公司 | 一种布料瑕疵数据收集方法及装置 |
CN109902703A (zh) * | 2018-09-03 | 2019-06-18 | 华为技术有限公司 | 一种时间序列异常检测方法及装置 |
CN110032495A (zh) * | 2019-03-28 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 数据异常检测方法和装置 |
US10452665B2 (en) * | 2017-06-20 | 2019-10-22 | Vmware, Inc. | Methods and systems to reduce time series data and detect outliers |
US10778707B1 (en) | 2016-05-12 | 2020-09-15 | Amazon Technologies, Inc. | Outlier detection for streaming data using locality sensitive hashing |
US10902062B1 (en) | 2017-08-24 | 2021-01-26 | Amazon Technologies, Inc. | Artificial intelligence system providing dimension-level anomaly score attributions for streaming data |
CN112633427A (zh) * | 2021-03-15 | 2021-04-09 | 四川大学 | 一种基于离群点检测的超高次谐波发射信号检测方法 |
US11232085B2 (en) | 2016-01-07 | 2022-01-25 | Amazon Technologies, Inc. | Outlier detection for streaming data |
US11301730B2 (en) | 2018-09-28 | 2022-04-12 | Wipro Limited | Apparatus and method for detecting and removing outliers using sensitivity score |
CN117556108A (zh) * | 2024-01-12 | 2024-02-13 | 泰安金冠宏食品科技有限公司 | 一种基于数据分析的油渣分离效率异常检测方法 |
US11985153B2 (en) | 2021-09-22 | 2024-05-14 | The Toronto-Dominion Bank | System and method for detecting anomalous activity based on a data distribution |
-
2011
- 2011-10-10 CN CN201110307662XA patent/CN102360378A/zh active Pending
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184512A (zh) * | 2011-05-10 | 2011-09-14 | 天津大学 | 利用手机数据发现城市活动中异常事件的方法 |
CN102799616A (zh) * | 2012-06-14 | 2012-11-28 | 北京大学 | 大规模社会网络中的离群点检测方法 |
CN102799616B (zh) * | 2012-06-14 | 2014-11-05 | 北京大学 | 大规模社会网络中的离群点检测方法 |
CN103246728A (zh) * | 2013-05-10 | 2013-08-14 | 北京大学 | 一种基于文档词汇特征变化的突发事件检测方法 |
CN103853817A (zh) * | 2014-01-16 | 2014-06-11 | 首都师范大学 | 基于gis的海量统计数据的空间奇异点发掘方法 |
CN103853817B (zh) * | 2014-01-16 | 2016-03-23 | 首都师范大学 | 基于gis的海量统计数据的空间奇异点发掘方法 |
CN103927392B (zh) * | 2014-05-04 | 2017-03-22 | 苏州大学 | 一种深层网络数据源异常点的检测方法及*** |
CN105512474A (zh) * | 2015-12-02 | 2016-04-20 | 国网山东省电力公司电力科学研究院 | 一种变压器状态监测数据的异常检测方法 |
CN105512474B (zh) * | 2015-12-02 | 2017-12-12 | 国网山东省电力公司电力科学研究院 | 一种变压器状态监测数据的异常检测方法 |
US11232085B2 (en) | 2016-01-07 | 2022-01-25 | Amazon Technologies, Inc. | Outlier detection for streaming data |
CN109074432A (zh) * | 2016-03-03 | 2018-12-21 | 斯特拉克斯私人有限公司 | 用于识别和量化异常的方法与设备 |
CN109074432B (zh) * | 2016-03-03 | 2023-09-29 | 斯特拉克斯私人有限公司 | 用于识别和量化异常的方法与设备 |
US10778707B1 (en) | 2016-05-12 | 2020-09-15 | Amazon Technologies, Inc. | Outlier detection for streaming data using locality sensitive hashing |
CN106202874A (zh) * | 2016-06-28 | 2016-12-07 | 黑龙江工程学院 | 一种基于实测数据的可疑点判别方法 |
CN106202874B (zh) * | 2016-06-28 | 2018-11-02 | 黑龙江工程学院 | 一种基于实测数据的可疑点判别方法 |
CN106371939A (zh) * | 2016-09-12 | 2017-02-01 | 山东大学 | 一种时序数据异常检测方法及其*** |
CN106371939B (zh) * | 2016-09-12 | 2019-03-22 | 山东大学 | 一种时序数据异常检测方法及其*** |
CN106649579A (zh) * | 2016-11-17 | 2017-05-10 | 苏州航天***工程有限公司 | 一种用于管网建模的时序数据清洗方法 |
CN106777111A (zh) * | 2016-12-15 | 2017-05-31 | 华南师范大学 | 一种超大规模数据的时序检索索引***及方法 |
US10452665B2 (en) * | 2017-06-20 | 2019-10-22 | Vmware, Inc. | Methods and systems to reduce time series data and detect outliers |
US10902062B1 (en) | 2017-08-24 | 2021-01-26 | Amazon Technologies, Inc. | Artificial intelligence system providing dimension-level anomaly score attributions for streaming data |
CN108083044A (zh) * | 2017-11-21 | 2018-05-29 | 浙江新再灵科技股份有限公司 | 一种基于大数据分析的电梯按需维保***及方法 |
CN108899068A (zh) * | 2018-06-14 | 2018-11-27 | 四川久远银海软件股份有限公司 | 一种异常治疗时间确定方法与装置 |
CN109902703A (zh) * | 2018-09-03 | 2019-06-18 | 华为技术有限公司 | 一种时间序列异常检测方法及装置 |
US11301730B2 (en) | 2018-09-28 | 2022-04-12 | Wipro Limited | Apparatus and method for detecting and removing outliers using sensitivity score |
CN109597702B (zh) * | 2018-12-03 | 2022-04-26 | 深圳前海微众银行股份有限公司 | 消息总线异常的根因分析方法、装置、设备及存储介质 |
CN109597702A (zh) * | 2018-12-03 | 2019-04-09 | 深圳前海微众银行股份有限公司 | 消息总线异常的根因分析方法、装置、设备及存储介质 |
CN109767443A (zh) * | 2019-01-17 | 2019-05-17 | 深圳码隆科技有限公司 | 一种布料瑕疵数据收集方法及装置 |
CN110032495A (zh) * | 2019-03-28 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 数据异常检测方法和装置 |
CN110032495B (zh) * | 2019-03-28 | 2023-08-25 | 创新先进技术有限公司 | 数据异常检测方法和装置 |
CN112633427A (zh) * | 2021-03-15 | 2021-04-09 | 四川大学 | 一种基于离群点检测的超高次谐波发射信号检测方法 |
US11985153B2 (en) | 2021-09-22 | 2024-05-14 | The Toronto-Dominion Bank | System and method for detecting anomalous activity based on a data distribution |
CN117556108A (zh) * | 2024-01-12 | 2024-02-13 | 泰安金冠宏食品科技有限公司 | 一种基于数据分析的油渣分离效率异常检测方法 |
CN117556108B (zh) * | 2024-01-12 | 2024-03-26 | 泰安金冠宏食品科技有限公司 | 一种基于数据分析的油渣分离效率异常检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102360378A (zh) | 一种时序数据离群点检测方法 | |
US20230049931A1 (en) | Method of training machine learning models for making simulated estimations | |
CN108593990B (zh) | 一种基于电能用户用电行为模式的窃电检测方法和应用 | |
Navratil et al. | Decomposition and forecasting time series in the business economy using prophet forecasting model | |
CN105260803A (zh) | 一种***用电量预测方法 | |
Estrada-Torres et al. | Discovering business process simulation models in the presence of multitasking and availability constraints | |
CN103218669A (zh) | 一种智能的活鱼养殖水质综合预测方法 | |
CN112308414A (zh) | 收入异常检测的方法、装置、电子设备及存储介质 | |
CN108446795A (zh) | 电力***负荷波动分析方法、装置及可读存储介质 | |
CN107909344A (zh) | 基于关系矩阵的工作流日志重复任务识别方法 | |
CN109298929B (zh) | 定时任务执行时间推荐方法、装置、设备和存储介质 | |
CN109359768A (zh) | 一种数据处理方法、服务器及电子设备 | |
CN107749164A (zh) | 一种车辆聚集分析方法及装置 | |
CN103500170A (zh) | 一种报表生成方法及*** | |
Yuan et al. | The impact of pollution on China marine fishery culture: An econometric analysis of heterogeneous growth | |
CN112652164B (zh) | 一种交通时段划分方法、装置及设备 | |
Munk et al. | Probability modeling of accesses to the web parts of portal | |
CN116822997B (zh) | 一种考虑绿色电力的实时碳排放核算方法及装置 | |
Mangaraj et al. | A Markov chain analysis of daily rainfall occurrence at western Orissa of India | |
CN103218516A (zh) | 一种聚类再回归的机场噪声单步预测方法 | |
Wang et al. | A new method for discovering behavior patterns among animal movements | |
CN116341740A (zh) | 一种基于比例拆分的城市燃气逐时负荷多步预测方法和*** | |
CN114676931B (zh) | 一种基于数据中台技术的电量预测*** | |
US10579293B2 (en) | System and computer-implemented method for improving data storage and analysis | |
Uher et al. | Forecasting electricity consumption in Czech Republic |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20120222 |