会员中心
搜索
登录
注册

解决方案

数字化转型通用方案行业方案安全方案大数据人工智能物联网行业展望自动控制其他

产品|技术

白皮书产品介绍技术介绍技术创新模型算法

政策|规范

政策规范行动计划

电子书

电子书课件

报告|论文

报告模板论文

【IEEETII】水电行业水库入库流量预测：一种基于生成流的方法

水库入库流量预测在水电行业中起着至关重要的作用。现有的研究要么局限于点估计，要么在捕捉数据之间的高阶动态相关性方面效率低下。然而，有必要估计实际大坝运行中的数据不确定性。本文提出了一种新的入流预测方法，该方法利用生成流对复杂的多元水文时间序列进行建模。我们的流对流方法（F2F）利用基于归一化流的生成网络来增强确定性模型，以明确地捕捉多变量相关性并近似预测流入分布。此外，F2F可以量化预测的不确定性，以帮助解释模型行为和预测结果，同时促进实时水库运行的安全关键决策。我们在从大型水电站收集的真实世界数据集上进行了广泛的实验。实验结果表明，我们的方法始终优于现有方法，同时考虑了不确定的观测结果，并提供了易于处理的多步提前流入预测。

  • 2024-05-26
  • 阅读149

【IEEETII】TMANomaly：用于工业异常检测的时间序列相互对抗网络建模

大型污水处理厂是典型的工业物联网系统之一，其中大量传感器的存在产生了大量的动态时间序列数据，而这种多变量时间序列数据通常是随时间变化和随机的。因此，在拟合真实世界数据的潜在异常时存在一定的风险，这将给异常检测带来巨大挑战。在本文中，我们提出了一种时间序列相互对抗网络（TMAN），这是一种用于多变量时间序列异常检测的新的重建模型。它基于对抗性学习的思想，由两个相同的子网络组成。在训练过程中，两个子网络可以独立完成对工业时间序列数据正态样本的时间分布的学习，以实现相互对抗。在检测过程中，我们获得了不同时间序列样本重构的TMAN残差值，以区分异常。我们将TMAN和异常确定机制相结合，构建了一个新的工业时间序列异常检测框架TMANomaly。此外，我们使用灰色关联算法选择数据集特征，以在少量特征的情况下实现非常高的性能。实验结果表明，我们提出的TMANomaly优于五种常用的异常检测方法，有效地提高了工业多变量时间序列异常检测的准确性。

  • 2024-05-26
  • 阅读61

【EMS】基于支持向量机回归和相关维数估计的环境缺失数据时间序列预测

环境时间序列经常受到数据缺失的影响，即某些时间点的数据不可用。本文提出了迭代插值和预测算法，该算法允许对具有缺失数据的时间序列进行预测。该算法迭代地使用生成时间序列的底层动态系统的相关维数估计来固定模型顺序（即，需要多少过去的样本来准确地对时间序列进行建模），并使用支持向量机回归来估计时间序列的骨架。该算法在三个环境时间序列上的实验验证表明，在测试集上，所有时间序列的平均百分比预测误差都很小。

  • 2024-05-26
  • 阅读100

【InformationSciences】小扰动就足够了：对时间序列预测的对抗性攻击

时间序列数据在现实世界的工业场景中广泛存在。为了在实际应用中恢复和推断信息，时间序列预测问题作为数据挖掘中的一个经典研究课题得到了广泛的研究。深度学习架构已被视为下一代时间序列预测模型。然而，最近的研究表明，深度学习模型很容易受到对抗性攻击。在这项研究中，我们前瞻性地研究了时间序列预测对抗性攻击的问题，并提出了一种攻击策略，通过在原始时间序列中添加恶意扰动来降低时间序列预测模型的性能，从而生成对抗性时间序列。具体地，利用预测模型的梯度信息，提出了一种基于扰动的对抗性示例生成算法。在实践中，与图像处理领域中人类无法察觉的情况不同，时间序列数据对异常扰动更敏感，并且对扰动量有更严格的要求。为了应对这一挑战，我们基于重要性测量制作了一个对抗性时间序列，以稍微干扰原始数据。基于在真实世界时间序列数据集上进行的综合实验，我们验证了所提出的对抗性攻击方法不仅有效地欺骗了目标时间序列预测模型LSTNet，而且还攻击了最先进的基于CNN、RNN和MHANET的模型。同时，结果表明，所提出的方法具有良好的可移植性。也就是说，为特定预测模型生成的对抗性示例会显著影响其他方法的性能。此外，通过与现有的对抗性攻击方法的比较，我们可以看到，对于所提出的基于重要性测量的对抗性进攻方法来说，更小的每次扰动就足够了。本文中描述的方法对于理解对抗性攻击对时间序列预测的影响和提高此类预测技术的稳健性具有重要意义。 关键词：时间序列数据，时间序列预测，对抗性攻击

  • 2024-05-26
  • 阅读126

【PR】基于聚类分析和稀疏罚分的电力时间序列分层预测

在大数据应用中，分层时间序列预测是决策的一个重要元素，它关系到通过对账方法保持的固有聚合一致性。本文提出了一种新的基于多选择聚类时间序列分析的分层电力时间序列预测方法。我们不是被动地坚持聚合一致性，而是首先利用时间序列挖掘来构建层次结构，然后应用最优协调方法来提高预测精度。特别地，采用k均值聚类方法对不同k的时间序列进行多次聚类，从而形成大量的时间序列聚类（模式），然后分别构建基于聚类的层次结构。针对大量的聚类层次结构和原有的地理层次结构，提出了一种基于最优聚合一致性协调的预测方法。此外，在我们的方法中，稀疏惩罚适用于“理想”聚类选择，以提高预测性能。与现实数据集上的最先进方法相比，我们的方法对电力负荷和太阳能数据的一步预测准确率分别提高了11.13%和24.07%。

  • 2024-05-26
  • 阅读128

【IJI】时间序列数据不完全系统连续在线预测的多层次推理策略

可持续性在线预测对未来更高水平的时间序列预测具有重要意义，在设备故障预测和健康管理中具有更高的应用价值。然而，和一步时间序列预测相比，连续在线预测面临许多不确定性，包括误差积累和信息缺乏。为了实现复杂系统中时间序列数据的连续在线预测，本文提出了一种基于多层次转移的连续在线预报策略（OnMultiHorTS），用于时间序列数据连续在线预报任务。该算法旨在利用源域数据为目标预测任务提供更有效的信息。然而，时间序列数据的时变特征往往导致长时间内数据分布的巨大差异，这很难保证数据是相同分布的假设。如何在历史数据和现有数据的基础上构建更有效的源域信息，并将其应用于目标域预测任务，是我们OnMultiHorTS算法的重点之一。此外，与典型的迭代和多步预测方法不同，该算法将不同的预测任务视为不同的视界，它们相互独立，可以探索它们之间的相关性。因此，基于层位之间的相关性，该算法开发了一套多层位连续在线预测方案，可以根据当前观测数据连续预测下一步的时间序列数据。最后，我们在四个常见的时间序列数据集和四个航空发动机传感器数据集上测试了算法的性能。同时，我们测试了训练步长和预测步长对算法性能的影响。实验表明，所提出的OnMultiHorTS算法在复杂系统的时间序列数据预测任务中具有较高的预测精度，体现了较高的工程应用价值。

  • 2024-05-26
  • 阅读122

【NN】基于非线性尖峰神经P系统和非二次采样剪切变换的多变量时间序列预测方法

多变量时间序列预测由于其非线性、非平稳、高维和时空特征，以及变量之间的相关性，仍然是一项具有挑战性的任务。为了解决这一局限性，我们提出了一种基于非线性尖峰神经P（NSNP）系统和非子采样剪切变换（NSST）的多变量时间序列预测新方法。首先将多变量时间序列转换到NSST域，然后在NSST域中自动构建、训练和预测NSNP系统。由于NSNP系统被用作非线性预测模型并在NSST域中工作，因此所提出的预测方法本质上是一种基于多尺度变换（MST）的预测方法。因此，所提出的预测方法可以处理非线性和非平稳的时间序列，并且变量之间的相关性可以用NSST变换的多分辨率特征来表征。使用五个真实的多变量时间序列将所提出的预测方法与五种最先进的和28种基线预测方法进行比较。比较结果证明了该方法在多变量时间序列预测中的有效性。

  • 2024-05-26
  • 阅读121

【InformationSciences】AE-DIL：一种基于自适应集成的非平稳时间序列预测的双增量学习算法

现实世界中的许多动态过程都可以建模为时间序列，因此时间序列预测对社会经济发展具有重要意义。从实际项目中获得的时间序列固有的非平稳性可能使其难以准确预测。为了缓解这一问题，本文提出了一种基于自适应集成的双增量学习算法，简称AE-DIL，用于非平稳时间序列预测。AE-DIL提供了一个由两个模块组成的通用在线预测框架。第一种基于统计假设检验和自适应滑动窗口技术检测变化。二是基于双增量学习和自适应集成学习对预测模型进行更新。与几个基线和最先进的模型相比，在七个基准时间序列数据集上进行的实验从经验上证明了所提出算法的有效性。

  • 2024-05-26
  • 阅读119