Алгоритм поиска и удаления аномалий временных рядов на основе применения кластеризации

Т.В. Афанасьева; Д.В. Заварзин; И.В. Сибирев

Алгоритм поиска и удаления аномалий временных рядов на основе применения кластеризации

Т.В. Афанасьева¹, Д.В. Заварзин², И.В. Сибирев³

научная статья Страницы: 59-62

¹ д.т.н., профессор, кафедра «Информационные системы», Ульяновский государственный технический университет
^2,3 аспирант, кафедра «Информационные системы», Ульяновский государственный технический университет

Ключевые слова: аномалия временные ряды прогнозирование кластеризация

Аннотация

Описан новый алгоритм поиска и удаления аномалий временных рядов с применением центроидного метода кластеризации. Введен дополнительный эвристический критерий для выбора аномальных значений временного ряда. Конечной целью кластеризации являлась дальнейшая аналитическая обработка временных рядов методами прогнозирования.

Для цитирования

Афанасьева Т.В., Заварзин Д.В., Сибирев И.В. Алгоритм поиска и удаления аномалий временных рядов на основе применения кластеризации // Радиотехника. 2015. № 6. С. 59–62.

Список источников

Deepthi Cheboli. Anomaly Detection of Time Series // Facility Of The Graduate School Of The University Of Minnesota. Электронный ресурс. 2010. 75 c. URL: http://conservancy.umn.edu/bitstream/11299/92985/1/Cheboli_Deepthi_May2010.pdf (дата обращения: 24.02.2015).
Ярушкина Н.Г., Афанасьева Т.В., Перфильева И.Г. Интеллектуальный анализ временных рядов. Учеб. пособие. М. 2012. Сер. Высшее образование.
Маккафри Д. Обнаружение аномальных данных методом k‑средних // Журнал MSDNMagazine. 2013. № 2. URL: http://msdn.microsoft.com/ru-ru/magazine/jj891054.aspx (дата обращения: 18.02.2015).
Munz G., Traffic Anomaly Detection Using K‑Means Clustering / Computer Networks and Internet. GI/ITG-Workshop MMBnet. 2007. URL: http://www.net.in.tum.de/fileadmin/TUM/members/muenz/documents/muenz07k-means.pdf (датаобращения: 11.03.2015).
Барсегян А.А. Методы и модели анализа данных: OLAP и DataMining. СПб.:БХВ-Петербург. 2004. С. 158−163.
Афанасьева Т.В., Заварзин Д.В. Алгоритм поиска аномалий в процессах на основе нечетких тенденций временных рядов // Труды XIV национальной конф. по искусственному интеллекту с междунар. участием КИИ-2014. 24−27 сентября 2014 г. г. Казань. Россия. Казань: Изд‑во РИЦ «Школа». 2014. Т. 3. С. 5−12.
Begum N., Keogh E. Rare Pattern Discovery from Time Series // Int\'l Conference on Very Large Databases (VLDB). 2015. URL: http://www.vldb.org/pvldb/vol8/p149-begum.pdf (дата обращения: 16.03.2015).

[1] Deepthi Cheboli. Anomaly Detection of Time Series // Facility Of The Graduate School Of The University Of Minnesota. Электронный ресурс. 2010. 75 c. URL: http://conservancy.umn.edu/bitstream/11299/92985/1/Cheboli_Deepthi_May2010.pdf (дата обращения: 24.02.2015).

[2] Ярушкина Н.Г., Афанасьева Т.В., Перфильева И.Г. Интеллектуальный анализ временных рядов. Учеб. пособие. М. 2012. Сер. Высшее образование.

[3] Маккафри Д. Обнаружение аномальных данных методом k‑средних // Журнал MSDNMagazine. 2013. № 2. URL: http://msdn.microsoft.com/ru-ru/magazine/jj891054.aspx (дата обращения: 18.02.2015).

[4] Munz G., Traffic Anomaly Detection Using K‑Means Clustering / Computer Networks and Internet. GI/ITG-Workshop MMBnet. 2007. URL: http://www.net.in.tum.de/fileadmin/TUM/members/muenz/documents/muenz07k-means.pdf (датаобращения: 11.03.2015).

[5] Барсегян А.А. Методы и модели анализа данных: OLAP и DataMining. СПб.:БХВ-Петербург. 2004. С. 158−163.

[6] Афанасьева Т.В., Заварзин Д.В. Алгоритм поиска аномалий в процессах на основе нечетких тенденций временных рядов // Труды XIV национальной конф. по искусственному интеллекту с междунар. участием КИИ-2014. 24−27 сентября 2014 г. г. Казань. Россия. Казань: Изд‑во РИЦ «Школа». 2014. Т. 3. С. 5−12.

[7] Begum N., Keogh E. Rare Pattern Discovery from Time Series // Int\'l Conference on Very Large Databases (VLDB). 2015. URL: http://www.vldb.org/pvldb/vol8/p149-begum.pdf (дата обращения: 16.03.2015).

Аннотация

Для цитирования

Похожие статьи