時間序列異常檢測的聚類方法研究.pdf

1、隨著時間的推移，數(shù)據(jù)呈爆炸式的增長，要想從這些復(fù)雜、海量的數(shù)據(jù)中發(fā)現(xiàn)潛在有用的信息，是一件極為困難的任務(wù)，同時也給時間序列數(shù)據(jù)挖掘帶來了巨大的挑戰(zhàn)。數(shù)據(jù)集中的某些數(shù)據(jù)，它們與大多數(shù)數(shù)據(jù)的一般行為或模型不一致，這些數(shù)據(jù)被稱作異常數(shù)據(jù)。絕大多數(shù)的數(shù)據(jù)挖掘算法通常把異常數(shù)據(jù)視為噪聲而丟棄，然而在一些實際應(yīng)用中，異常數(shù)據(jù)更具有研究價值。因此，對時間序列的異常進(jìn)行深入地研究具有重要的意義。
　　 首先，研究了時間序列的滑動窗口方法、自頂向

2、下方法和由底向上方法，給出了基于重要點的時間序列分段算法，通過重要點將時間序列分成多個互不重疊的子序列，并提取每個子序列的特征值，為聚類算法進(jìn)行異常子序列的檢測做了準(zhǔn)備。該算法在有效地壓縮了時間序列數(shù)據(jù)的同時保留了原有時間序列的主要特征，并且具有較低的時間復(fù)雜度。
　　 其次，研究了圍繞中心點的劃分算法PAM聚類算法、基于PDS、TIE和PMI的快速PAM聚類算法和基于k中心點的迭代局部搜索聚類算法，通過對初始簇的對象個數(shù)的限定

3、和初始簇的平均距離的求解來確定初始的中心點，從而給出了一種基于初始聚類中心點選取的改進(jìn)的PAM(IPAM)聚類算法，然后通過對劃分后簇的平均距離進(jìn)行閾值的設(shè)定來檢測異常子序列，并著重對該算法的異常檢測質(zhì)量和時間效率進(jìn)行分析，實驗證明該算法具有與局部異常檢測算法類似的檢測效果，較低的時間復(fù)雜度，并且具有優(yōu)于PAM算法的檢測效果和時間復(fù)雜度。
　　 最后，將改進(jìn)的PAM(IPAM)算法運用到程序設(shè)計自主教學(xué)與學(xué)習(xí)平臺中，挖掘?qū)W生的成