您的位置:山东大学 -> 科技期刊社 -> 《山东大学学报(工学版)》

山东大学学报(工学版) ›› 2009, Vol. 39 ›› Issue (3): 11-15.

• 机器学习与数据挖掘 • 上一篇    下一篇

基于多粒度周期模式的时序离群点检测算法

罗玉盘 商琳   

  1. 南京大学计算机软件新技术国家重点实验室, 江苏 南京 210093
  • 收稿日期:2009-05-20 出版日期:2009-06-16 发布日期:2009-06-16
  • 通讯作者: 商琳(1973-),女,河北曲阳人,副教授,博士,主要从事数据挖掘、粒计算、粗糙集等研究. E-mail: shanglin@nju.edu.cn
  • 作者简介:罗玉盘(1987-),女,江西吉安人,硕士研究生,主要从事数据挖掘研究.E-mail: luoyupan@ai.nju.edu.cn
  • 基金资助:

    国家自然科学基金资助项目(60775046)

Detect outliers in time series data with multi-granule periodic patterns

  1. National Key Laboratory for Novel Software Technology, Nanjing University, Nanjing 210093, China
  • Received:2009-05-20 Online:2009-06-16 Published:2009-06-16

摘要:

目前研究时间序列离群点检测方法大都没有考虑到数据本身的周期性,有的只能处理名词性属性. 针对实值性属性的时序数据,提出了多粒度周期模式的发现算法,该算法基于不同的时间间隔粒度来探测不同的周期模式, 并利用得到的周期模式来发现那些偏离周期模式的离群点. 该方法可有效避免将正常数据误报为异常值. 通过实验验证了该算法既可正确找出数据在不同粒度下的周期模式,又可有效探测时序数据中的异常值,并与不用周期模式发现的离群点检测算法比较,减少了对特殊事件的离群点误报.

关键词: 周期性分析;时间序列;粒度;离群点检测

Abstract:

Contributions on outlier detection in time series data have seldom taken into account the data cyclical nature and numerical attributes values. An algorithm to find periodic patterns under different granul arities was proposed, which could be  used to detect outliers in time series data with numerical attributes. This method could avoid a false alarm, and experimental results showed that it could not only correctly identify multi-ranule periodic patterns but also effectively detect outliers in data. Compared to outlier detection methods without periodic patterns, the results showed  that it could  reduce falsealarms.

Key words: periodicity analysis; time series ; granularity; outlier detection

No related articles found!
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
No Suggested Reading articles found!