科研之友
微信
新浪微博
Facebook
分享链接
摘要
为提高物联网(IoT)传感器流数据异常检测的通用性和准确度，提出了基于自回归滑动平均(ARMA)和卷积神经网络-长短时记忆网络(CNN-LSTM)的流数据异常检测融合方案。其中，以残差方式对统计模型ARMA与深度学习模型CNN-LSTM进行融合，CNN-LSTM将ARMA的时间序列预测作为条件项，并基于实际时间序列在融合框架中对ARMA的结果进行补偿和纠正，实现不同类型模型的优势互补。最后通过检测模块，完成时间序列的标注。基准数据集上的实验结果证明，所提融合方案能够准确完成不同类型时间序列中各种异常数据点的检测，在Yahoo Webscope基准数据集上取得了最高的AUC值(0.973 2)和F1值(0.956 9),性能优于其他机器学习和深度学习异常检测方法。
- 单位
