典型文献
ARMA融合CNN-LSTM的传感器流数据异常检测方案
文献摘要：
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F,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.
文献关键词：
物联网;异常检测;自回归滑动平均;卷积神经网络;长短时记忆网络;流数据
中图分类号：
作者姓名：
周显春
作者机构：
三亚学院信息与智能工程学院 三亚572022
文献出处：
引用格式：
[1]周显春-.ARMA融合CNN-LSTM的传感器流数据异常检测方案)[J].国外电子测量技术,2022(04):55-61
A类：
Webscope
B类：
ARMA,流数据,数据异常检测,检测方案,IoT,通用性,自回归滑动平均,长短时记忆网络,融合方案,统计模型,深度学习模型,时间序列预测,融合框架,优势互补,检测模块,完成时间,基准数据集,异常数据,据点,Yahoo,异常检测方法
AB值：
0.246024
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。
