典型文献
一种基于复合AI模型的动态阈值设定方法
文献摘要：
传统信息设备的运行状态感知和故障告警主要依靠人工和传统自动化运维,存在开销大、效率低、错报误报率高等缺点.该文提出一种动态阈值设定机制,能够基于预测结果计算指定置信度下的动态阈值区间.为了得到准确的预测结果,提出离散小波变换–自回归滑动平均模型(auto-regressive moving average model,ARIMA)–指数加权萤火虫算法(exponential weighted firefly algorithm,EWFA)–极限学习机(extreme learning machine,ELM)复合模型.该模型通过离散小波变换将原始时间序列拆分为多个子序列,并按照平稳性的不同分别使用ARIMA模型和FA优化的ELM模型进行处理.最后,通过小波逆变换集成各个子序列的预测结果.此外,该文还提出EWFA,有效提升了萤火虫算法的寻优性能和收敛速度.在宁夏电力公司核心路由器数据上进行的实验表明,该方法获得了比Bi-LSTM、GRU等基准模型更好的性能,能够实现精准高效的故障预警,从而减少企业的人力物力开销.
文献关键词：
时间序列预测;小波变换;动态阈值;指数加权萤火虫算法;极限学习机;自回归滑动平均模型
中图分类号：
作者姓名：
张立中;谭源;王堃;陈志刚
作者机构：
国网宁夏电力有限公司信息通信公司,宁夏回族自治区 银川市 753000;中南大学计算机学院,湖南省 长沙市 410008
文献出处：
引用格式：
[1]张立中;谭源;王堃;陈志刚-.一种基于复合AI模型的动态阈值设定方法)[J].中国电机工程学报,2022(17):6286-6295,后插11
A类：
指数加权萤火虫算法,EWFA
B类：
动态阈值,设定方法,信息设备,状态感知,故障告警,自动化运维,开销,误报率,结果计算,定置,置信度,阈值区间,了得,出离,离散小波变换,自回归滑动平均模型,auto,regressive,moving,average,model,ARIMA,exponential,weighted,firefly,algorithm,极限学习机,extreme,learning,machine,ELM,复合模型,拆分,子序列,平稳性,逆变换,寻优性能,收敛速度,电力公司,核心路由器,Bi,GRU,精准高效,故障预警,人力物力,时间序列预测
AB值：
0.360341
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。
