CN106599487A - 基于arima模型和用户调控的动态方差实时报警方法 - Google Patents
基于arima模型和用户调控的动态方差实时报警方法 Download PDFInfo
- Publication number
- CN106599487A CN106599487A CN201611170332.XA CN201611170332A CN106599487A CN 106599487 A CN106599487 A CN 106599487A CN 201611170332 A CN201611170332 A CN 201611170332A CN 106599487 A CN106599487 A CN 106599487A
- Authority
- CN
- China
- Prior art keywords
- variance
- prediction
- data
- period
- early warning
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于ARIMA模型和用户调控的动态方差实时报警方法,所述方法包括以下步骤:纵向预测得到T个数据采集周期的预测数据同时记录真实数据X;横向预测得到当前周期中对应时段的方差根据用户赋予的各个时段的权值和方差线性组合得到基于动态方差的动态阈值;当大于动态阈值时,触发预警装置。本发明采用ARIMA时间序列预测模型,为动态方差预警机制提供了可靠的预测结果,提高了预警机制的预警正确率;本发明降低了由于环境变化从而导致正常数据波动而带来的预警失误率,即预警效率不受外界环境的影响;本发明解决了固定阈值带来的预警不及时和错误预警等问题;适用于各类实时监测***和安全性要求较高的生产和生活环境。
Description
技术领域
本发明涉及生产安全需求领域,尤其涉及一种基于ARIMA模型和用户调控的动态方差实时报警方法。
背景技术
随着光栅力热复合仪在电力、航空航天、石油、医疗、生命科学等领域的不断推广,人们越来越看好这一仪器在各行各业的应用前景。光栅力热复合仪以高稳定性、高敏感性、高集成性以及占用体积小、易于改装等特点击败了市场上同类型产品。
然而,在石油桶中的压力监控、石油温度监控以及在航空材料的应变监控等应用中,如何选取一个灵活的、可调控的阈值一直成为困扰用户的难题。阈值选取的过大,不能达到实时预警的效果,甚至会因没能及时报警而延误最佳处理时间,最终导致被监控对象的不可逆性破坏。阈值选择过小,会过度报警,带来不必要的恐慌。
对于一般***而言,无论用户如何确定阈值,该值在整个监控过程中都是固定不变的。然而,固定阈值显然是不合理的,因为随着环境的变化,导致阈值范围波动,而固定的阈值显然不能达到准确预警的目的。
发明内容
本发明提供了一种基于ARIMA模型和用户调控的动态方差实时报警方法,本发明为动态方差预警机制提供了可靠的预测结果,提高了预警机制的预警正确率,详见下文描述:
一种基于ARIMA模型和用户调控的动态方差实时报警方法,所述方法包括以下步骤:
纵向预测得到T个数据采集周期的预测数据同时记录真实数据X;横向预测得到当前周期中对应时段的方差
根据用户赋予的各个时段的权值和方差线性组合得到基于动态方差的动态阈值;
当大于动态阈值时,触发预警装置。
所述纵向预测得到T个数据采集周期的预测数据的步骤具体为:
1)根据当前周期的不同时段的数据,建立满足各个时段的ARIMA(p,d,q)时间预测模型,包括确定合适的p,d,q参数;
2)根据建立的ARIMA(p,d,q)时间预测模型,预测出T个采样周期的预测数据
所述横向预测得到当前周期中对应时段的方差的步骤具体为:
1)计算当前周期的前n个周期与当前周期对应的同一时段所有真实数据的方差;
2)建立ARIMA(p,d,q)时间预测模型,包括确定合适的p,d,q参数;
3)根据时间预测模型预测下一周期的方差值。
本发明提供的技术方案的有益效果是:
1、本发明采用ARIMA时间序列预测模型,为动态方差预警机制提供了可靠的预测结果,提高了预警机制的预警正确率;
2、本发明降低了由于环境变化从而导致正常数据波动而带来的预警失误率,即预警效率不受外界环境的影响;
3、本发明解决了固定阈值带来的预警不及时和错误预警等问题;
4、本发明适用于各类实时监测***和安全性要求较高的生产和生活环境。
附图说明
图1为本发明的总体架构图;
图2为本发明的工作流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详细描述。
实施例1
为了解决上述问题,本发明实施例以ARIMA(p,d,q)预测模型为基石,设计出了一种适用于各个行业的动态方差预警机制,参见图1和图2,该方法包括以下步骤:
101:将一个周期根据数据特点分为不同的具有相同特点的时间段,利用每一时段的数据特点来确定预测模型中的p,d,q等参数;
其中,p为自回归的阶数、q为移动平均的阶数,以及d为差分的阶数。
102:在每一个时间段上建立不同的预测模型;
通过该步处理能减小在所有时间段上建立一个预测模型产生的误差。
103:将整个预警机制设计为两个小的预测子***S1和S2,以及一个比较***C。
其中,这两个预测子***都是基于ARIMA(p,d,q)时间序列的预测模型,不同的是,
预测子***1:用于纵向预测得到T个数据采集周期的预测数据
预测子***2:用于横向预测得到当前周期中对应时段的方差
比较***C:用于根据用户赋予的各个时段的权值和预测子***2传递过来的方差预测值,进行线性组合得到基于动态方差的预警阈值,若出现跨时段的情况,则需要先按比例分配然后再结合用户赋予的权值进行线性组合。
其中,阈值的产生是由***S2和用户指定的权值线性组合之后生成,这一阈值是关于方差的线性组合,是随时间动态变化的,故称之为动态方差。因此,这一阈值的选取适用于环境变化从而导致正常数据波动的情况,完全避免了由用户指定的固定阈值带来的问题,从而提高预警的准确性和实时性。
综上所述,本发明实施例降低了由于环境变化从而导致正常数据波动而带来的预警失误率,解决了固定阈值带来的预警不及时和错误预警等问题。
实施例2
下面结合具体的计算公式、实例对实施例1中的方案进行进一步地介绍,详见下文描述:
201:将一个周期内的数据进行划分,划分为具有相同特点的不同时段;
202:设计预测子***S1,步骤如下:
1)根据当前周期的不同时段的数据,建立满足各个时段的ARIMA(p,d,q)时间预测模型,包括确定合适的p,d,q参数;
2)根据第1)步中建立的ARIMA(p,d,q)时间预测模型,预测出T个采样周期的预测数据并同时记录这T个采样周期的真实数据X;
3)计算
203:设计预测子***S2,步骤如下:
1)计算当前周期的前n个周期与当前周期对应的同一时段所有真实数据的方差;
2)根据第1)步计算的方差建立ARIMA(p,d,q)时间预测模型,包括确定合适的p,d,q参数;
3)根据第2)步中建立的时间预测模型预测下一周期(也就是当前周期)的方差值。
204:确定动态阈值;
根据步骤203中的第3)步中预测的方差值、与用户指定的权值线性组合得到阈值。
205:比较和步骤204确定的动态阈值,若前者较大,则触发预警装置;否则,不触发预警装置,转向下一预警监控中。
综上所述,本发明实施例降低了由于环境变化从而导致正常数据波动而带来的预警失误率,解决了固定阈值带来的预警不及时和错误预警等问题。
实施例3
下面结合具体的计算公式、实例对实施例1和2中的方案进行进一步地介绍,详见下文描述:
预测子***1:根据每个周期的数据特点,不妨假设每一个周期采集的数据可以分为A,B,C,D四个时间段,数据的展示形式如表1所示:
表1
其中,表1中NA、NB、NC、ND分别表示每一周期的不同时段A,B,C,D内的数据采集次数;n1、n2...nn表示当前周期n0的前n次周期的数据;xijk表示当前周期之前的第i个周期内的第j个时段的第k次采集得到的数据;i=0时表示为当前周期的数据,i=1时表示当前周期前第一个周期的数据,依次类推,i=n时表示当前周期前第n个周期的数据;表1中数据区域内每一列从上到下是一时间序列,每一行从左到右是一时间序列。
预测子***1主要关注的是每一列从上到下的时间序列。不妨设每个时间段的时间序列分别为XA、XB、XC、XD,分别在各个时间段上建立ARIMA(p,d,q)时间序列预测模型。以时间段A上的数据为例,设序列为XA(XA1,XA2,…,XAn),n<NA,对数据进行差分处理,然后做Daniel平稳性检验直到数据变得平稳,并由此确定参数d,即差分的阶数。
然后基于差分后的数据根据相关图和偏相关图或用选取的p,q的各种阶数形式进行试算,用AIC准则寻求最优模型,最终确定p,q参数。因而最后确定ARIMA的具体预测模型,如下:
其中,Xt为时间序列,d为差分的阶数,wt为d阶差分后的平稳序列,ut为零均值,方差为δ的平稳白噪声,为对应项的系数。
纵向预测
(1)待预测的T个采集周期位于同一周期的同一时段,在该时间段内建立ARIMA(p,d,q)时间预测模型,对当前时刻之后的T个数据采集周期采集的数据进行预测得到并记录T个数据采集周期仪器采集到的真实数据X。
(2)待预测的T个采集周期位于同一周期的相邻时段,在这两个相邻的时间段内分别建立ARIMA(p,d,q)时间预测模型,记为ARIMA1和ARIMA2。
若T个采集周期中有T1个位于前一时间段,有T2位于后一时间段,则需要使用第一个预测模型ARIMA1预测出T1个数据,记为使用第二个预测模型ARIMA2预测出T个数据,记为此时的T个数据采集周期的预测数据为并记录T个数据采集周期仪器采集到的真实数据X。最后子***1将传递给比较***C。
预测子***2:如表1,预测子***2的主要任务是根据当前周期的前n个周期的各个时间段的历史数据的方差建立时间预测模型,然后预测当前周期的时间段的方差值,最后将这一预测值传递给比较***C。
如表1形式的数据,不妨假设一个周期根据数据的特点分成四个时间段A,B,C,D,分别计算出四个时间段A,B,C,D第n1~nn个周期内的方差,计算公式如下:
其中,表示第j个时间段内第k个周期的方差。
根据n1~nn个周期的同一时间段的方差建立ARIMA(p,d,q)时间序列模型。确定参数p,d,q的方法类似于预测子***1中确定参数的方法。当得到预测模型之后对当前周期的对应时段的方差进行预测。此时分为两种情况,分别是:
1、预测子***1中待预测的T个采集周期位于同一周期的同一时段;
对于这种情况,只需要对一个时间段上的方差进行横向预测,此时只需要建立一个预测模型,并运用这一模型对当前周期的时间段上的方差进行预测,记预测值为并将这一值传递给比较***C。
2、预测子***1中待预测的T个采集周期位于同一周期的相邻时段。
对于这种情况,则需要在跨越的两个时间段上分别建立时间预测模型,记为ARIMA_1和ARIMA_2。在前一时间段上运用预测模型ARIMA_1预测出该时间段上的方差值,并记为在后一时间段上运用预测模型ARIMA_2预测出该时间段上的方差值,并记为此时传递给比较***的值为
3、比较***C:该***的主要功能是将子***2传过来的值,根据用户对每个时间段的赋予的权值进行线性组合之后再与子***1传过来的值进行比较。此过程即为***预警的关键部分,***是否表现为预警状态取决于前两个值的比较后的结果,若后者较大,则***发出预警信号,表现为预警;否则,不预警,转而进入下一时期监控。
综上所述,本发明实施例降低了由于环境变化从而导致正常数据波动而带来的预警失误率,解决了固定阈值带来的预警不及时和错误预警等问题。
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于ARIMA模型和用户调控的动态方差实时报警方法,其特征在于,所述方法包括以下步骤:
纵向预测得到T个数据采集周期的预测数据同时记录真实数据X;横向预测得到当前周期中对应时段的方差
根据用户赋予的各个时段的权值和方差线性组合得到基于动态方差的动态阈值;
当大于动态阈值时,触发预警装置。
2.根据权利要求1所述的一种基于ARIMA模型和用户调控的动态方差实时报警方法,其特征在于,所述纵向预测得到T个数据采集周期的预测数据的步骤具体为:
1)根据当前周期的不同时段的数据,建立满足各个时段的ARIMA(p,d,q)时间预测模型,包括确定合适的p,d,q参数;
2)根据建立的ARIMA(p,d,q)时间预测模型,预测出T个采样周期的预测数据
3.根据权利要求1所述的一种基于ARIMA模型和用户调控的动态方差实时报警方法,其特征在于,所述横向预测得到当前周期中对应时段的方差的步骤具体为:
1)计算当前周期的前n个周期与当前周期对应的同一时段所有真实数据的方差;
2)建立ARIMA(p,d,q)时间预测模型,包括确定合适的p,d,q参数;
3)根据时间预测模型预测下一周期的方差值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611170332.XA CN106599487B (zh) | 2016-12-16 | 2016-12-16 | 基于arima模型和用户调控的动态方差实时报警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611170332.XA CN106599487B (zh) | 2016-12-16 | 2016-12-16 | 基于arima模型和用户调控的动态方差实时报警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106599487A true CN106599487A (zh) | 2017-04-26 |
CN106599487B CN106599487B (zh) | 2019-10-25 |
Family
ID=58601063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611170332.XA Expired - Fee Related CN106599487B (zh) | 2016-12-16 | 2016-12-16 | 基于arima模型和用户调控的动态方差实时报警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106599487B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107516279A (zh) * | 2017-08-15 | 2017-12-26 | 皑沐(上海)文化传媒有限公司 | 一种网络舆情自动预警的方法 |
CN108540340A (zh) * | 2018-03-15 | 2018-09-14 | 上海携程商务有限公司 | 基于网站应用错误数的异常检测方法及*** |
CN108984870A (zh) * | 2018-06-29 | 2018-12-11 | 中国科学院深圳先进技术研究院 | 基于arima的冷库温湿度数据预测方法及相关产品 |
CN109410570A (zh) * | 2018-10-11 | 2019-03-01 | 北京九五智驾信息技术股份有限公司 | 车辆交通事故量预测方法 |
CN110096491A (zh) * | 2019-04-02 | 2019-08-06 | 南京信息职业技术学院 | 数据库性能指标预测方法及*** |
CN111275185A (zh) * | 2020-01-16 | 2020-06-12 | 珠海格力电器股份有限公司 | 一种能源使用状态预警方法、装置、设备和存储介质 |
CN112729607A (zh) * | 2020-11-27 | 2021-04-30 | 中国南方电网有限责任公司超高压输电公司广州局 | 变电站一次设备载流元件发热温度预测监控方法和*** |
CN113312696A (zh) * | 2021-05-26 | 2021-08-27 | 福建中锐网络股份有限公司 | 基于arima算法的桥梁健康状况动态预测告警方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101004593A (zh) * | 2007-01-25 | 2007-07-25 | 上海交通大学 | 基于AR(p)模型的过程工业生产过程动态成本控制方法 |
US20150278284A1 (en) * | 2014-03-31 | 2015-10-01 | Emc Corporation | Heteroscedastic Data Compression Using Arima-Garch Model Estimation |
CN105102760A (zh) * | 2012-11-05 | 2015-11-25 | 兰德马克绘图国际公司 | 用rimlier数据对井孔事件建模的***、方法和计算机程序产品 |
CN105469611A (zh) * | 2015-12-24 | 2016-04-06 | 大连理工大学 | 一种短时交通流预测模型方法 |
CN105703954A (zh) * | 2016-03-17 | 2016-06-22 | 福州大学 | 一种基于arima模型的网络数据流预测方法 |
-
2016
- 2016-12-16 CN CN201611170332.XA patent/CN106599487B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101004593A (zh) * | 2007-01-25 | 2007-07-25 | 上海交通大学 | 基于AR(p)模型的过程工业生产过程动态成本控制方法 |
CN105102760A (zh) * | 2012-11-05 | 2015-11-25 | 兰德马克绘图国际公司 | 用rimlier数据对井孔事件建模的***、方法和计算机程序产品 |
US20150278284A1 (en) * | 2014-03-31 | 2015-10-01 | Emc Corporation | Heteroscedastic Data Compression Using Arima-Garch Model Estimation |
CN105469611A (zh) * | 2015-12-24 | 2016-04-06 | 大连理工大学 | 一种短时交通流预测模型方法 |
CN105703954A (zh) * | 2016-03-17 | 2016-06-22 | 福州大学 | 一种基于arima模型的网络数据流预测方法 |
Non-Patent Citations (1)
Title |
---|
YINGYU CAO, ET AL.: "ARIMA Prediction Model-based Cluster Algorithm in Ad Hoc Networks", 《THE 2ND INTERNATIONAL CONFERENCE ON COMPUTER APPLICATION AND SYSTEM MODELING (2012)》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107516279A (zh) * | 2017-08-15 | 2017-12-26 | 皑沐(上海)文化传媒有限公司 | 一种网络舆情自动预警的方法 |
CN107516279B (zh) * | 2017-08-15 | 2021-04-20 | 皑沐(上海)文化传媒有限公司 | 一种网络舆情自动预警的方法 |
CN108540340A (zh) * | 2018-03-15 | 2018-09-14 | 上海携程商务有限公司 | 基于网站应用错误数的异常检测方法及*** |
CN108540340B (zh) * | 2018-03-15 | 2021-05-07 | 上海携程商务有限公司 | 基于网站应用错误数的异常检测方法及*** |
CN108984870A (zh) * | 2018-06-29 | 2018-12-11 | 中国科学院深圳先进技术研究院 | 基于arima的冷库温湿度数据预测方法及相关产品 |
CN109410570A (zh) * | 2018-10-11 | 2019-03-01 | 北京九五智驾信息技术股份有限公司 | 车辆交通事故量预测方法 |
CN110096491A (zh) * | 2019-04-02 | 2019-08-06 | 南京信息职业技术学院 | 数据库性能指标预测方法及*** |
CN111275185A (zh) * | 2020-01-16 | 2020-06-12 | 珠海格力电器股份有限公司 | 一种能源使用状态预警方法、装置、设备和存储介质 |
CN112729607A (zh) * | 2020-11-27 | 2021-04-30 | 中国南方电网有限责任公司超高压输电公司广州局 | 变电站一次设备载流元件发热温度预测监控方法和*** |
CN112729607B (zh) * | 2020-11-27 | 2022-07-29 | 中国南方电网有限责任公司超高压输电公司广州局 | 变电站一次设备载流元件发热温度预测监控方法和*** |
CN113312696A (zh) * | 2021-05-26 | 2021-08-27 | 福建中锐网络股份有限公司 | 基于arima算法的桥梁健康状况动态预测告警方法 |
CN113312696B (zh) * | 2021-05-26 | 2024-02-13 | 福建中锐网络股份有限公司 | 基于arima算法的桥梁健康状况动态预测告警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106599487B (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106599487A (zh) | 基于arima模型和用户调控的动态方差实时报警方法 | |
Hsieh et al. | Unsupervised online anomaly detection on multivariate sensing time series data for smart manufacturing | |
Tang et al. | Complexity testing techniques for time series data: A comprehensive literature review | |
CN104020724B (zh) | 告警监控方法和装置 | |
CN106199174A (zh) | 基于迁移学习的挤压机能耗异常预测方法 | |
CN109191842B (zh) | 基于实时通行能力的拥堵调控策略推荐方法及*** | |
US20200050182A1 (en) | Automated anomaly precursor detection | |
CN106503840A (zh) | 停车场可用车位预测方法及*** | |
CN105834835A (zh) | 一种基于多尺度主元分析的刀具磨损在线监测方法 | |
Zhang et al. | Statistical monitoring of the hand, foot and mouth disease in China | |
CN110457867A (zh) | 一种基于机器学习的时间序列数据填补与还原方法 | |
CN106090626B (zh) | 一种供水管网异常侦测方法 | |
CN102087787B (zh) | 短时交通状态预测装置及预测方法 | |
CN105843733B (zh) | 一种大数据平台的性能检测方法及装置 | |
US20180177415A1 (en) | Cardiovascular disease detection | |
CN106708692A (zh) | 建立过滤报警模型的方法和装置以及过滤报警的方法、装置和电子设备 | |
CN113379164B (zh) | 基于深度自注意力网络的负荷预测方法及*** | |
CN106691440A (zh) | 基于bp神经网络的管制员疲劳检测方法及*** | |
CN107766201A (zh) | 一种软件处理方法和装置、电子设备 | |
CN114580260A (zh) | 一种基于机器学习和概率理论的滑坡区间预测方法 | |
CN102456032A (zh) | 数据库安全保护方法和装置 | |
US10340734B2 (en) | Power generation systems with monitoring for anomaly detection via nonlinear relationship modeling | |
CN109060393A (zh) | 一种桥梁结构恒载响应时域融合分析方法 | |
CN109242166A (zh) | 一种基于多尺度深度神经网络的环境预测防控*** | |
CN201974940U (zh) | 短时交通状态预测装置 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191025 Termination date: 20201216 |
|
CF01 | Termination of patent right due to non-payment of annual fee |