文章目录

  • 0 封面
  • 1 标题(title)
  • 2 作者(author)
  • 3 摘要(abstract)
  • 4 结论(conclusion)
  • 4.1 维数约减
  • 4.2 时间序列模式表示
  • 4.3 异常模式发现
  • 5 引言(introduction)
  • 5.1 总结
  • 5.2 名词定义——异常
  • 5.3 名词定义——维数约减
  • 5.4 名词定义——时间序列模式表示
  • 6 维数约减
  • 6.1 研究趋势



写在前面:计算机应用;主办方:中国科学院成都分院、四川省计算机学会;中文核心期刊;月刊;C类

0 封面

python kalman 多维时间序列 多维时间序列分类_异常模式发现

  • 综述的阅读:先标题、作者、摘要、结论;然后

1 标题(title)

  • 多维时间序列异常检测算法综述
  • 这篇文的重点是“多维时间序列”,区别于单维时间序列
  • 这是一篇综述,都说找研究方向应该先看这个领域的综述。

2 作者(author)

  • 作者4人,二作和四作是硕士研究生,应该是干活的主力;一作是导师,三作是带的助教导师。
  • 通讯作者是二作学生,一般通讯作者都是写老师的,这边还是有点不太明白了。

3 摘要(abstract)

  1. 时间序列异常检测算法,逐步成为数据分析领域新增的研究热点。这一方面的研究仍处于初步阶段,研究工作的系统性不强。
  2. “维数约简”
  3. “时间序列模式表示”
  4. “异常模式发现”

4 结论(conclusion)

  1. 两种主流思路:①将原始多维时间序列经过预处理之后转化为单维时间序列,然后利用单维时间序列异常检测的相关理论发现异常;②通过研究新的算法或改进算法,直接对预处理后的多维时间子序列进行异常检测。
  2. 特点:多维转单维的方式更适合小规模时间序列,而第二种方式能够满足更大规模的时间序列的异常检测。

4.1 维数约减

  • 维数约简过程中,如何保留原始数据的时间规律

4.2 时间序列模式表示

  • 难以确定统一的规则,使得在较高数据压缩率的情况下,对哥哥维度具有比较精确的表示
  • 是否能够使用于实时更新的多维时间序列

4.3 异常模式发现

  • ①多维时间子序列相似性度算法研究;②聚类和分类算法在时间相关性方面的优化研究
  • 目前已有很多经典的单维时间序列相似性度量方法:欧式距离、动态时间扭曲、垂直距离等等。但是对于多维时间序列的相似性度量方法还在初步研究阶段
  • 传统的聚类、分类算法只是针对无序变量,直接运用到时间序列会丢失时序信息

5 引言(introduction)

python kalman 多维时间序列 多维时间序列分类_时间序列的模式表示_02


python kalman 多维时间序列 多维时间序列分类_异常模式发现_03


【在水文领域的洪水预报方面,需要通过分析各种水文数据,例如流量数据,土壤饱和度数据,水位数据等等,以及时发现风险隐患,实施报警并支撑管理人员采取有效措施,减少项目经济损失,保障人员安全。】

5.1 总结

python kalman 多维时间序列 多维时间序列分类_多维时间序列_04


python kalman 多维时间序列 多维时间序列分类_多维时间序列_05

5.2 名词定义——异常

python kalman 多维时间序列 多维时间序列分类_时间序列的模式表示_06

5.3 名词定义——维数约减

  • 这是维度减少

5.4 名词定义——时间序列模式表示

  • 这是数据量的减少

6 维数约减

  • 维数约减主流算法分类:
  1. 线性降维领域中,线性判别分析PCA是经典的算法,是一种无监督的统计分类方法。
  2. 非线性降维领域中,主成分分析KPCA是经典的算法,但是这种算法的难点在于难以选择合适的核函数。流行学习是近年来非线性降维算法领域的热门研究方向。[27]可以学习。
  3. 文中提到的方法、模型太多了,这里就不能一一赘述了,后面会每天更新的!

6.1 研究趋势

  • 非线性降维算法,尤其是流形学习将成为该领域未来的重要研究方向。
  1. 将已有理论成果与实际应用场景相结合,进一步确定算法的特点和使用范围。
  2. 算法优化
  3. 结合机器学习获深度学习实现维数约减

python kalman 多维时间序列 多维时间序列分类_异常检测_07


python kalman 多维时间序列 多维时间序列分类_多维时间序列_08