典型文献
基于LSTM-GAN的加油时序数据异常检测
文献摘要：
加油站时序数据中蕴藏着大量信息,但加油数据庞大复杂且各变量间蕴含隐性关系,目前的异常检测方法经常产生"假异常"或遗漏真实异常,无法有效挖掘加油数据中的异常点.针对这种现象,提出一种基于无监督学习的异常检测方法.通过PCA对数据进行降维,提取有效的特征信息,采用基于LSTM的GAN模型(LSTM-GAN)对加油时序数据进行检测,通过生成器和鉴别器共同得到的异常损失定义异常点.通过在加油数据集和公开数据集上的实验证明了该方法的有效性,并且相较于目前的异常检测方法具有一定提升.
文献关键词：
生成式对抗网络;长短期递归神经网络;无监督学习;时序数据;异常检测
中图分类号：
作者姓名：
赵飏;李晓;马博;王保全;周喜
作者机构：
中国科学院新疆理化技术研究所 新疆 乌鲁木齐830011;中国科学院大学 北京100049;新疆理化技术研究所新疆民族语音语言信息处理实验室 新疆 乌鲁木齐830011
文献出处：
引用格式：
[1]赵飏;李晓;马博;王保全;周喜-.基于LSTM-GAN的加油时序数据异常检测)[J].计算机应用与软件,2022(07):13-19
A类：
长短期递归神经网络
B类：
GAN,时序数据,数据异常检测,加油站,蕴藏,隐性关系,异常检测方法,法经,遗漏,异常点,无监督学习,特征信息,生成器,鉴别器,公开数据集,生成式对抗网络
AB值：
0.240441
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。
