基于多方云计算的网络数据流异常识别方法

文章基于多方云计算,设计分布式网络数据流异常识别方法。基于多方云计算,获取线性模型预测结果,结合共享运算模型,建立分布式网络数据流处理模型,设计异常识别算法,得到分布式网络数据流异常识别结果。结果表明,该方法的分类与整体平均分类的准确率均在97%以上,分类精度较高,且该算法对四个数据集识别所需时间分别为0.12%s、1.45%s、2.56%s、4.15%s。因此,该方法具备高效性与准确性。

基于网络货运监测系统的单据异常识别方法研究

为规范网络货运新业态发展,通过分析无车承运人试点期间企业向行业监管部门上传的运单、资金流水单数据,结合“一办法,三指南”要求的新单据上传规则,分析网络货运经营者上传单据可能出现的不同异常种类,并针对不同种类的异常单据设计异常识别方法,以期为交通运输主管部门建立网络货运经营者的考核指标体系提供技术支撑。

土壤重金属数据异常识别方法——以北京农田区样点数据为例

土壤重金属调查数据中的异常往往会导致评价分析结果与真实分布情况产生偏差和错误,直接影响后续的决策管理。针对传统异常值检测中邻域范围的确定偏于主观,且异常值检测后无法识别其类型的问题,提出了一套土壤重金属异常识别方法。该方法基于K临近法确定重金属合理稳定的最佳邻域区间,结合局部空间自相关法识别空间异常值,基于相关性分析识别土壤重金属异常类型。以北京市2006年铅(Pb)和铜(Cu)重金属含量为例,将该方法与其他方法结合进行变异特征和插值预测精度评价分析。结果显示,Pb和Cu含量存在稳定的邻域区间,其中6号点位的Pb、Cu含量,39号点位的Cu含量存在异常;前者异常类型疑似真实异常,后者异常类型疑似数据错误;将原始样点进行全局、局部和疑似数据错误异常样点剔除后,样本总体的离散程度降低,样本空间自相关性程度及区域结构性变异趋势增强;剔除全局和局部异常点后,数据空间插值误差明显减小,去除疑似数据错误异常点后插值误差较去除局部异常点时的插值误差基本一致。说明原始样点中对判断为疑似数据错误的样点进行剔除后对整体插值估计影响甚微,证明该土壤重金属异常识别方法的有效性和准确性。

基于卡口监测数据的路段交通异常状态识别方法研究

以路段为对象,研究交通异常状况自动识别方法,为道路交通管理部门提供技术手段。首先,系统分析了现有交通异常状态识别方法原理和存在的问题,结合卡口监测数据特性,设计异常状态识别的基本思路及研究路线;其次,对路段模型进行重新定义,利用其上下游卡口历史数据,获取行程时间指标参数;再次,基于行程时间概率分布规律,确定异常状态对应的行程时间阈值,建立识别流程,将实测行程时间与行程时间阈值进行比较,实现异常状态判别;最后,选取乌鲁木齐市建国路部分路段开展实例验证。结果显示,采用所提方法进行路段异常状态评价,其评价结果与人工观测情况完全相符,能有效提升异常状态识别的实时性、准确性。