典型文献
基于多头注意力机制的用户窃电行为检测
文献摘要：
窃电对社会和经济发展造成了重大损害.如何基于电力大数据来检测用户恶意窃电行为,已受到学术界和工业界的广泛关注.针对传统方法依赖于手工特征、行为序列表征不足和检测精度差等问题,提出了一种基于多头注意力机制的窃电检测模型(Electricity Theft Detection Based on Multi-Head Attention,ETD-MHA).该模型基于双向门控循环神经网络(Bidirec-tional Gated Recurrent Unit,BiGRU)充分捕获用户用电行为序列的时序特征,引入多头注意力机制来进一步增强关键特征的区分度,并通过加深网络来提高学习效果.在爱尔兰和中国国家电网智能电表数据集上进行了大量的实验,结果表明,相比传统的逻辑回归(Linear Regression,LR)、支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)等多种算法,所提模型展现出了明显的优势.例如,在爱尔兰智能电表数据集上,其AUC值相比LR算法最高提升了34.6％.
文献关键词：
智能电网;窃电检测;深度学习;门控循环神经网络;多头注意力机制
中图分类号：
作者姓名：
肖丁;张玙璠;纪厚业
作者机构：
北京邮电大学计算机学院 北京 100876
文献出处：
引用格式：
[1]肖丁;张玙璠;纪厚业-.基于多头注意力机制的用户窃电行为检测)[J].计算机科学,2022(01):140-145
A类：
Bidirec
B类：
多头注意力机制,用户窃电,窃电行为检测,重大损害,电力大数据,恶意,工业界,手工特征,行为序列,序列表,检测精度,窃电检测,检测模型,Electricity,Theft,Detection,Based,Multi,Head,Attention,ETD,MHA,双向门控循环神经网络,tional,Gated,Recurrent,Unit,BiGRU,户用,用电行为,时序特征,关键特征,区分度,爱尔兰,国家电网,智能电表,电表数据,逻辑回归,Linear,Regression,LR,Support,Vector,Machine,Random,Forest,RF,智能电网
AB值：
0.434486
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
