本文档深入探讨了"面向电力大数据日志分析平台的异常监测集成预测算法"这一主题，由作者倪震、李千目和郭雅娟合作完成，发表在《南京理工大学学报（自然科学版）》2017年第41卷第005期，共12页（P634-645）。随着电力企业网络技术的快速发展，传统日志处理系统在应对大数据环境中的日志分析需求时显得力不从心。因此，研究者提出了一个创新的方法来解决这个问题。
该论文的核心是构建了一种基于时间序列的系统异常数量集成预测算法。这种算法的主要目标是通过对收集的日志数据进行多元分类预测，整合多种分类预测模型的优势，从而实现对系统异常数量的综合最优预测。这种方法强调了精度的重要性，能够有效提升电力大数据日志分析平台的安全性和效率，这对于电力企业的运营监控和故障预警具有重要意义。
集成预测算法的关键在于其灵活性和适应性，它能够结合不同的预测模型，如机器学习的决策树、随机森林、支持向量机等，通过优化算法选择和权重分配，提高整体预测性能。同时，论文还提出了一套详细的评价体系，用于衡量和验证集成预测算法的实际效果，确保其在实际应用中的稳定性和有效性。
此外，文章关注的关键词包括日志分析、异常监测、大数据平台和集成预测算法，这些都反映了研究的核心关注点和当前电力行业面临的技术挑战。作者分别来自南京理工大学计算机科学与工程学院和南京晓庄学院信息工程学院，他们的研究背景和专业知识为本文提供了坚实的理论基础和技术支撑。
这篇论文为电力大数据环境下日志分析平台的异常监测提供了一种有效的解决方案，对于推动电力行业的智能化运维和故障预警具有积极的实践价值。通过集成预测算法和评价体系的紧密结合，研究人员不仅提升了日志分析的精准度，也提高了电力系统的安全性，对于提升整个行业的数字化管理水平具有深远的影响。
