基于水质时间序列异常检测的动态预警方法

文章提出了基于自回归模型(AR)和孤立森林算法的地表水水质在线监测数据的异常检测方法。利用AR模型实现水质时间序列的动态高精度预测,并采用孤立森林算法进行异常检测分析,通过与设定阈值进行比较,可识别出水质异常。选取了美国Potomac River流域某监测站点的浊度、电导率和溶解氧时间序列进行案例分析。通过受试者工作特征曲线(ROC)对异常检测性能进行评价。结果表明:选取浊度和电导率2个指标的残差向量组时, ROC曲线下面积(AUC)最大为0.919,且其检出率达到80%时,误报率为9.7%;而浊度、溶解氧组合和电导率、溶解氧组合对应的AUC分别为0.797和0.805,检出率达到80%时,对应的误报率分别为45.4%和33.9%。可以看出,在所选案例中,浊度和电导率所组成的残差向量组比其他组合更能识别强降雨造成的水质异常事件。