典型文献
基于多尺度深度残差网络的时间序列异常数据检测与修正
文献摘要：
时间序列异常数据检测与修正一直是数据科学与工程领域的研究热点,是进行有效数据分析的前提.目前的传统基于回归模型与浅层学习的方法不能有效地提取数据的特征,导致异常检测结果较差.而目前深度学习的方法的长序列学习较困难,容易出现梯度消失等问题,并且只能做异常判断.针对上述问题,提出一种多尺度深度残差网络模型实现时间序列异常数据检测与修正.该方法通过对误差序列的估计实现异常数据的检测,通过网络的最后一层实现数据的修正,并利用残差学习更深的网络结构,进一步提高算法的准确率.实验对比结果表明,所提方法可以有效地实现时间序列的异常数据检测及修正.
文献关键词：
时间序列;异常检测;多尺度卷积;残差网络
中图分类号：
作者姓名：
潘玲玲;刘俊;夏旻
作者机构：
中国电力科学研究院有限公司 江苏 南京210003;南京信息工程大学江苏省大数据分析技术重点实验室 江苏 南京214200
文献出处：
引用格式：
[1]潘玲玲;刘俊;夏旻-.基于多尺度深度残差网络的时间序列异常数据检测与修正)[J].计算机应用与软件,2022(07):38-43,173
A类：
B类：
异常数据检测,数据科学,工程领域,有效数据,浅层学习,提取数据,异常检测,序列学习,梯度消失,异常判断,深度残差网络模型,模型实现,残差学习,实验对比,多尺度卷积
AB值：
0.274053
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。
