多变量时间序列滑动窗口异常点的检测.pdfVIP

文章编号：１６７４⁃７０７０（２０１４）０６⁃０５１５⁃０５ 戴慧　 阚建飞　 李伟仁 　 周卫东１ １ ２ ２ 多变量时间序列滑动窗口异常点的检测 摘要 ０　 引言 针对多变量时间序列（ＭＴＳ）的异常 点的探测问题，提出了采用由粗到细的 　 　 时间序列是属性值在时间顺序上体现出来的特征数据集合，多 二次探测方案．基于滑动窗口数据的置 变量时间序列（ＭＴＳ）在工业界得到广泛关注．由于系统的观测变量之 信区间，构造了变化趋势值特征和相对 变化趋势值特征分别用于二次探测，同 间具有关联性，需要对具有相关性的观测变量进行综合比较分析．如 时研究了特征的快速提取算法．通过对 果变量的观测值偏离其他的观测值太远，可能是由其他机制导致的 ＯＰＥＮ３０００数据监测系统采集的事故发 不正常数据，这样的观测值被称为异常点．多变量时间序列是时间序 生前后某市城南变电站各设备表的数据 集进行异常点探测，结果表明提出的算 列的子序列，需对时间序列数据集进行处理和比较分析，挖掘出具有 法能够快速准确地探测出异常点的位置． 异常点的多变量时间子序列集合．在工业界对事故的分析和预测的研 关键词 究中，为调度运行人员提供电网系统的设备健康状态评价和电网的 多变量时间序列；滑动窗口；异常 点；置信区间 故障辅助分析决策支持显得非常重要，而前兆数据就是挖掘出的包 含异常点的ＭＴＳ．由于系统采集的各种实时、连续、有序的时间序列值 中图分类号 ＴＰ２０６ 是典型的数据流，具有无边界性的特征，根据数据流的特点和ＭＴＳ相 文献标志码 Ａ 关性的要求，本文提出了一种对ＭＴＳ进行异常点探测的算法，建立了 滑动窗口的相对变化趋势的模型用于异常点的提取和状态监测，研 究了快速的滑动窗口数据特征提取算法，用于对电网各设备事故发 生之前的非正常状态模式下的探测． 目前，时间序列异常点的探测研究大部分针对单变量时间序列， ［１］ ［２］ ［３］ 包括基于距离的算法 、基于离群指数的算法 、基于偏差的算法 ［４］ 和基于小波变换的算法 等．针对 ＭＴＳ，文献［５］提出了基于滑动窗 口的ＭＴＳ异常数据的挖掘算法，但该算法在检测效率和运算效率上 都有待改进．本文提出由粗到细的二次探测方案，构造新的基于滑动 窗口置信区间的特征，并研究特征的快速提取算法，从而提升异常点 的探测精度和加快速度． １　 问题的提出 收稿日期 ２０１４⁃０９⁃０６ 本文是对ＯＰＥＮ３０００数据监测系统采集的各种电力数据流进行 资助项目 江苏省政府留学奖学金基金；国家 自然科学基金；江苏省高校自然 异常点探测．ＯＰＥＮ３０００ 系统采集的设备表中变量之间的相关性符合 科学基金（１３ＫＪＢ５２００１５） ＭＴＳ 的特征要求和符合数据流无限性和实时性的特征要求，同时也 作者简介 戴