基于滑动窗口和ARMA的Argo剖面数据异常检测算法

doi:10.3778/j.issn.1002-8331.1706-0234

计算机工程与应用 ›› 2018, Vol. 54 ›› Issue (19): 254-260.DOI: 10.3778/j.issn.1002-8331.1706-0234

基于滑动窗口和ARMA的Argo剖面数据异常检测算法

罗一迪，蒋华，王慧娇，王鑫

桂林电子科技大学计算机与信息安全学院，广西桂林 541004

出版日期:2018-10-01 发布日期:2018-10-19

Anomaly detection algorithm of Argo profile based on Sliding Window and ARMA

LUO Yidi, JIANG Hua, WANG Huijiao, WANG Xin

College of Computer and Information Security, Guilin University of Electronic Technology, Guilin, Guangxi 541004, China

Online:2018-10-01 Published:2018-10-19

摘要/Abstract

摘要： 针对由于Argo浮标的随机性和抛弃性而导致难以保证剖面数据质量的问题，根据滑动窗口（Sliding Window，SW）与自回归移动平均（AutoRegressive Moving Average，ARMA）模型的特点，提出了一种基于滑动窗口和ARMA的Argo剖面异常检测算法。利用滑动窗口将Argo剖面时间序列进行划分，再通过建立ARMA模型获取剖面的预测值，然后确定置信区间，最后通过判断观测数据是否在置信区间内实现异常检测。通过全球Argo浮标剖面数据进行实验，在滑动窗口宽度10~20，置信度在80%~90%时，敏感度可以达到85%以上，且准确度在99%以上。

关键词: Argo浮标, 滑动窗口, 自回归移动平均模型, 异常检测

Abstract: To solve the problem that it is difficult to guarantee the quality of data due to the randomness and abandonment of Argo buoy, according to the Sliding Window（SW） and AutoregRessive Moving Average（ARMA） model, the anomaly detection algorithm of Argo profile based on sliding window and ARMA is proposed. Firstly, the Argo profile series is split by using the sliding window, and then the ARMA model is established so as to get predicted value. Then the confidence interval is determined. Anomaly detection is achieved, finally, by judging whether the observed data is in the confidence interval. The corresponding result is validated with the real Argo profile data, and the sensitivity and accuracy of proposed method reaches at least 85% and 99% respectively when the wide of sliding window between 10 and 20 and the confidence level is in the condition of 80%~90%.

Key words: Argo profile, sliding window, AutoRegressive Moving Average（ARMA）, anomaly detection

罗一迪，蒋华，王慧娇，王鑫. 基于滑动窗口和ARMA的Argo剖面数据异常检测算法[J]. 计算机工程与应用, 2018, 54(19): 254-260.

LUO Yidi, JIANG Hua, WANG Huijiao, WANG Xin. Anomaly detection algorithm of Argo profile based on Sliding Window and ARMA[J]. Computer Engineering and Applications, 2018, 54(19): 254-260.

[1]	张博文，刘智，桑国明. 基于核密度波动的异常检测算法[J]. 计算机工程与应用, 2021, 57(12): 132-136.
[2]	麻琛彬，张政波，王晶. 基于深度学习的生理异常检测研究综述[J]. 计算机工程与应用, 2021, 57(10): 10-25.
[3]	刘杰，房俊，雷峰津. 电能质量异常数据在线检测方法[J]. 计算机工程与应用, 2020, 56(9): 240-247.
[4]	吴楚田，陈永乐，陈俊杰. 多协议交叉的HMM协议异常检测算法[J]. 计算机工程与应用, 2020, 56(8): 81-86.
[5]	黎佳玥，赵波，李想，刘会，刘一凡，邹建文. 基于深度学习的网络流量异常预测方法[J]. 计算机工程与应用, 2020, 56(6): 39-50.
[6]	贺寰烨，林果园，顾浩，方梦华. 云虚拟机异常检测场景下改进的LOF算法[J]. 计算机工程与应用, 2020, 56(23): 80-86.
[7]	展鹏，陈琳，曹鲁慧，许浩然，李学庆. 核转折点裁剪表示的时间序列异常检测算法[J]. 计算机工程与应用, 2020, 56(23): 130-138.
[8]	徐家臻，李婷，杨巍. 多尺度局部特征选择的行人重识别算法[J]. 计算机工程与应用, 2020, 56(2): 141-145.
[9]	刘文芬，穆晓东，黄月华. 基于多分辨率网格的异常检测方法[J]. 计算机工程与应用, 2020, 56(17): 78-85.
[10]	张常华，周雄图，张永爱，姚剑敏，郭太良，严群. 深度自编码器在数据异常检测中的应用研究[J]. 计算机工程与应用, 2020, 56(17): 93-99.
[11]	杨瑶，付克昌，蒋涛，张国良，刘甲甲，孟易. 启发式RRT算法的AGV路径规划[J]. 计算机工程与应用, 2020, 56(12): 125-133.
[12]	熊逸，梁意文，谭成予，周雯. 基于反向选择的地震前兆观测数据异常检测[J]. 计算机工程与应用, 2020, 56(10): 226-230.
[13]	崔芳怡1，荆晓远2，董西伟2，3，吴飞2，孙莹2. 自适应蝙蝠算法优化的模糊聚类及其应用[J]. 计算机工程与应用, 2019, 55(7): 16-22.
[14]	杨飞跃，陶洋. 时空协作的WSNs节点异常检测算法[J]. 计算机工程与应用, 2019, 55(7): 127-131.
[15]	王凯，陈丹伟. 基于LSTM的动态图模型异常检测算法研究[J]. 计算机工程与应用, 2019, 55(5): 76-82.

基于滑动窗口和ARMA的Argo剖面数据异常检测算法

Anomaly detection algorithm of Argo profile based on Sliding Window and ARMA

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics