文献类型：期刊文章

作　　者：李海林[1] 邬先利[1]

LI Hailin;WU Xianli(Department of Information Management,Huaqiao University,Quanzhou Fujian 362021,China)

机构地区：[1]华侨大学信息管理系,福建泉州362021

出　　处：《计算机应用》

基　　金：国家自然科学基金资助项目(71771094;61300139);福建省社会科学规划项目(FJ2017B065);福建省高等学校新世纪优秀人才支持计划项目(Z1625112)~~

年　　份：2018

卷　　号：38

期　　号：11

起止页码：3204-3210

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD_E2017_2018、IC、INSPEC、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：针对传统异常片段检测方法在处理增量式时间序列时效率低的问题,提出一种基于频繁模式发现的时间序列异常检测(TSAD)方法。首先,将历史输入的时间序列数据进行符号转化;其次,利用符号化特征找出历史序列数据集中的频繁模式;最后,结合最长公共子序列匹配方法度量频繁模式与当前新增加时间序列数据之间的相似度,从而发现新增加数据中的异常模式。与基于滑动窗口预测的水文时间序列异常检测方法(TSOD)和基于扩展符号聚集近似的水文时间序列异常挖掘方法(ESAA)相比,对于实验选择的三种类型的时间序列数据,TSAD的检测率都超过90%;TSOD对规则性较强的序列检测率较高,能达到99%,但对噪声干扰较大的序列检测率较低,对数据偏向性较强;ESAA对三种类型的数据检测率均不超过70%。实验结果表明,TSAD在时间序列异常检测中能够较好地发现异常片段。

关 键 词：时间序列 符号集合近似  频繁模式  异常检测 检测率

分 类 号：TP393.08] TP391.5[计算机类]