数据驱动异常检测与预警:Kσ模型与时间序列分析
版权申诉
5星 · 超过95%的资源 146 浏览量
更新于2024-07-19
15
收藏 966KB PDF 举报
"2021年五一赛C题数据驱动的异常检测与预警_一等奖_矿业大学.pdf",这份资源是一篇2021年五一数学建模竞赛的一等奖论文,由矿业大学提交,详细探讨了数据驱动的异常检测与预警技术。论文包含了对异常数据的查找、评分方法以及时间序列预测模型的构建。
文章首先介绍了问题的背景,强调了生产安全对于企业的重要性,提出了数据驱动的异常检测与预警在保障生产安全中的关键作用。接着,论文详细阐述了以下几个方面:
1. 针对问题一,论文采用了分段合并和标准化的数据预处理方法,结合EGADS系统对非风险性异常进行检测。通过建立插件和标准化残差分析,利用偏差度选择阈值,确定K=1,从而识别出标准化后的非风险性异常值。
2. 对于问题二,论文建立了Kσ偏差加权的Topsis模型,改进了传统模型忽视指标权重的缺点。通过熵权法计算各传感器的权重,重新定义欧氏距离,找出具体异常值并转化为百分制。表5-3展示了数据结果和异常编号。
3. 在问题三中,论文分别处理可以直接预测的数组和需要建立时间序列模型的数组。指数平滑法和ARIMA模型被用来对未来数值进行预测。ARIMA模型通过SPSS进行拟合,并预测了四个时间段的数值,同时确定了异常值的编号和得分,具体结果在表5-8中呈现。
4. 针对问题四,论文构建了主成分分析加权模型,与熵权加权模型对比,通过变化率检验原模型的效能。由于安全性和异常值评分规则相反,所以采用了倒扣逆变换法调整得分,最终结果显示原模型具有较好的效果,安全性评分见表5-10。
整个研究过程中,论文运用了统计学和数据分析方法,如Kσ偏差、Topsis模型、熵权法、指数平滑法和ARIMA模型,这些方法在异常检测和预警系统中有广泛应用,对提升系统的监控能力具有重要意义。这份一等奖论文不仅提供了理论分析,还附带了完整的30页内容和代码,是数据驱动异常检测领域的一个实用案例。
2018-12-29 上传
2023-06-10 上传
2023-06-11 上传
2023-06-11 上传
2023-05-26 上传
2023-04-25 上传
2023-07-27 上传
maligebilaowang
- 粉丝: 5804
- 资源: 91
最新资源
- 计算机人脸表情动画技术发展综述
- 关系数据库的关键字搜索技术综述:模型、架构与未来趋势
- 迭代自适应逆滤波在语音情感识别中的应用
- 概念知识树在旅游领域智能分析中的应用
- 构建is-a层次与OWL本体集成:理论与算法
- 基于语义元的相似度计算方法研究:改进与有效性验证
- 网格梯度多密度聚类算法:去噪与高效聚类
- 网格服务工作流动态调度算法PGSWA研究
- 突发事件连锁反应网络模型与应急预警分析
- BA网络上的病毒营销与网站推广仿真研究
- 离散HSMM故障预测模型:有效提升系统状态预测
- 煤矿安全评价:信息融合与可拓理论的应用
- 多维度Petri网工作流模型MD_WFN:统一建模与应用研究
- 面向过程追踪的知识安全描述方法
- 基于收益的软件过程资源调度优化策略
- 多核环境下基于数据流Java的Web服务器优化实现提升性能