计算机研究与发展

作者：王玲,周南,申鹏,

关键词：时间序列, 异常子序列, 异常模式, 自适应<i>k</i>近邻, 相对密度,

时间序列作为数据的典型代表，被广泛应用于许多研究领域.时间序列异常模式代表了一种特殊情况的出现，在许多领域都具有重要意义.现有的时间序列异常模式识别算法大多只是单纯检测异常子序列，忽略了异常子序列的类别区分问题，且许多参数都需要人为设置.为此提出了一种基于自适应k近邻的异常模式识别算法(anomalypatternrecognitionalgorithmbasedonadaptiveknearestneighbor,APAKN).首先，确定各子序列的自适应k近邻值，引入自适应距离比计算子序列的相对密度,确定异常分数；然后提出一种基于最小方差的自适应阈值方法确定异常阈值，检测出所有异常子序列；最后，对异常子序列进行聚类，所得聚类中心即为具有不同变化趋势的异常模式.整个算法过程在无需设置任何参数的情况下，不仅解决了密度不平衡问题，还精简了传统基于密度异常子序列检测算法的步骤，实现良好的异常模式识别效果.在时间序列数据集合UCR的10个数据集上的实验结果表明,提出算法在无需设置参数的情况下，在异常子序列检测和异常子序列聚类问题中都表现良好.

来源：2023年第1期

《计算机研究与发展》期刊编辑部

查看计算机研究与发展杂志2023年第1期