主余震序列作用下基于时间维度的连续梁桥易损性分析

为研究连续梁桥在主余震序列作用下基于时间维度的易损性情况,以一座三跨连续梁桥为研究对象,基于OpenSees有限元软件进行非线性动力分析。选取符合区域场地类型的地震动,通过改进的大森定律和区域主余震统计关系,构建基于时间的主余震序列。以改进的Park-Ang损伤指数作为结构的损伤指标,运用直接回归概率线性拟合的方法建立主震后短期内各时间节点桥墩在不同损伤状态下的地震易损性曲线,研究区域时间范围内主余震序列对连续梁桥抗震性能的影响。结果表明:(1)余震会给桥梁结构带来明显的增量损伤;(2)各种损伤状态的超越概率随着PGA的增大和时间的推移而不断增大,且主震造成的损伤状态等级越高,其超越概率越低,余震作用时超越概率增大越明显。超越概率在震后第1日增幅最大,随着时间的推移逐渐减小,第10日趋于平稳,因此在分析地震给桥梁带来的损伤时,要充分考虑主余震序列的时间效应。

基于GGInformer模型的多维时间序列特征提取与预测研究

随着大数据与物联网技术的迅猛发展,多维时间序列数据的应用范围变得更加广泛。面对大量的非线性、高维冗余特征的复杂时间序列,传统的时间序列分析方法已经不能很好地解决多维时间序列的复杂高维特征问题,从而导致预测效果欠佳。针对以上问题,通过对遗传算法和Informer模型进行改进,并融合GRU网络,提出了GGInformer模型。该模型不仅可以有效提取多维时间序列的关键特征,而且较好地解决了长程依赖问题。为了验证模型的预测能力,选取了2种实际数据集与3种公共基准数据集进行实验,相比较Informer基准模型,GGInformer模型在5种数据集上的MSE分别降低了22%,13%,20%,23%和38%。实验结果表明,GGInformer模型可以有效解决多维时间序列数据的复杂特征提取问题,并可以进一步提高时序预测能力。

基于集成LSTM自编码器的多维时间序列异常检测

针对长短时记忆网络自编码器(LSTM-AE)在多维时间序列(MTS)上异常检测效率低的问题,提出一种基于集成LSTM-AE(LAE)的MTS异常检测模型。该模型集成多个LSTM-AE分别重构正常MTS各子序列,并将各重构误差作为MTS的局部特征;利用全连接网络自编码器(FCAE)对各重构误差数据进行拟合,学习MTS数据的全局特征;根据FCAE的重构误差进行异常检测。在三个公共MTS数据集上的实验表明,与基准方法相比,在Precision、Recall和F1_score三个评价指标下分别最大提升0.0584、0.1184和0.0786。

面向多维时间序列异常检测的时空图卷积网络

针对现有多维时间序列异常检测模型对局部和全局时空依赖性捕获能力不足的问题,提出一种基于时空图卷积网络的多维时间序列异常检测模型。首先,在时间维度上利用扩张因果卷积和多头自注意力机制,分别捕获短期和长期时间依赖性,并且引入通道注意力来学习不同通道的重要性权重;其次,在空间维度上利用静态图学习层根据节点嵌入构建静态图邻接矩阵,旨在捕获多维时间序列数据的全局空间依赖性,同时利用动态图学习层构建一系列演化的图邻接矩阵,旨在建模局部动态的空间依赖性;最后,联合优化重构模型和预测模型,通过重构误差和预测误差计算异常分数,然后比较阈值和异常分数的关系,进而检测异常。在MSL、SMAP和SWaT三个公开数据集上的实验结果表明,该模型在异常检测性能指标F1分数方面优于OmniAnomaly、MTAD-GAT和GDN等相关的基线模型。

基于全局-局部散度的多元时间序列无监督降维方法

针对传统降维方法不能直接应用于多元时间序列,现有的多元时间序列降维方法难以在保证降维有效性的同时大幅降低数据维度的问题,提出一种基于全局-局部散度的多元时间序列无监督降维方法。首先,提出一种特征序列提取方法,提取多元时间序列协方差矩阵的上三角元素,将其组合为特征序列。然后,以“局部散度最小、全局散度最大”为基本思想,提出一种无监督降维模型,在保持局部近邻关系的同时,尽可能保留全局信息。将特征序列作为输入,最小化所有样本点邻域方差之和,最大化邻域中心点方差。求解模型得到的投影矩阵能够实现多元时间序列的降维。最后,在20组公开数据集上,对所提方法进行了实验验证。结果表明,所提方法能够在保证降维有效性的同时,较大幅度地降低多元时间序列的维度。

基于GAT的Transformer多维时间序列异常检测

针对多维时序数据中多个时间和多个变量之间的复杂依赖关系,无法准确地识别出少量异常点问题,提出一种基于GAT的Transformer多变量时间序列异常检测方法。首先,将特征转换为嵌入向量表示;然后,引入图注意力机制自适应地学习不同时间和不同变量之间复杂的依赖关系;最后,将原始数据与GAT层的输出拼接,输入带有位置编码的Transformer编码器,通过计算异常分数并设定阈值判定异常情况。结果表明,所提模型可以有效地检测出时序数据中的异常。

基于四元数长短期记忆网络的多维时间序列预测

多维时间序列数据存在于实际生活中,包括楼盘价格、道路上交通流量、不同区域的CO_(2)浓度等等。循环神经网络(RNN)是有效处理时间序列数据的一种模型,其变体长短期记忆网络(LSTM)有效解决了RNN反向传播路径过长、易产生梯度爆炸或消失的问题。以四元数代替实数进行网络参数传播,通过四元数内部结构的依赖性,捕获多维时间序列特征之间的内部关系,使得多维时间序列特征中固有的结构信息得到很好的保存。

基于对偶对抗学习的多维时间序列异常检测

时间序列中异常点的无监督检测是一个具有挑战性的问题,要求模型能够快速准确地发现异常数据。VAE类深度神经网络模型能在数据压缩和恢复中学习数据的特征,但由于训练过程中缺乏对抗性,无法更好地区分正常数据和异常数据特征,导致模型训练困难。针对该问题,本文提出一种基于对偶对抗思想的改进多维时间序列异常检测方法。首先利用滑动窗口将数据集划分为合适的长度的序列,使用正常序列数据训练模型。继而利用对偶结构加强两组编码器解码器之间的对抗性,以更好地学习正常数据特征,减少训练难度。最后,将含有异常数据的待测数据放入训练好的模型,根据待测序列在模型中的异常得分,结合阈值技术进行异常判定,并从待测数据中获得异常序列片段,计算评价指标。实验表明,本文方法Dual-AE具有模型容易训练且稳定性强的特点,并且相对于USAD方法,在水文数据集SWaT上F1分数提升了0.01,召回率提升了0.01,在WADI数据集上F1分数提升了0.09,召回率提升了0.02。异常检测性能指标上,比现有的生成式异常检测模型有明显提升。

基于多尺度特征信息融合的时间序列异常检测

目前大多数的时间序列都缺少相应的异常标签,且现有基于重构的异常检测算法不能很好地捕获到多维数据间复杂的潜在相关性和时间依赖性,为了构建特征丰富的时间序列,提出一种多尺度特征信息融合的异常检测模型。该模型首先通过卷积神经网络对滑动窗口内的不同序列进行特征卷积来获取不同尺度下的局部上下文信息。然后,利用Transformer中的位置编码对卷积后的时间序列窗口进行位置嵌入,增强滑动窗口中每一个时间序列和邻近序列之间的位置联系,并引入时间注意力获取数据在时间维度上的自相关性,并进一步通过多头自注意力自适应地为窗口内不同时间序列分配不同的权重。最后,对反卷积过程中上采样得到的窗口数据与不同尺度下得到的局部特征和时间上下文信息进行逐步融合,从而准确重构原始时间序列,并将重构误差作为最终的异常得分进行异常判定。实验结果表明,所构建模型在SWaT和SMD数据集上与基线模型相比F1分数均有所提升。在数据维度高且均衡性较差的WADI数据集上与GDN模型相比F1分数降低了1.66%。

多维时间序列异常检测算法综述

随着信息化技术不断提高,时序数据规模呈指数级增长,为时间序列异常检测算法发展提供了契机和挑战,也使其逐步成为数据分析领域新增的研究热点。然而,这一方面的研究仍处于初步阶段,研究工作的系统性不强。为此,通过整理和分析国内外文献,将多维时间序列异常检测的研究内容按照逻辑顺序分为"维数约简""时间序列模式表示"和"异常模式发现"三个方面,并对其主流算法进行梳理和归纳,以全面展现当前异常检测的研究现状和特点。在此基础上,还指出了多维时间序列异常检测算法的研究难点和研究趋势,以期对相关理论和应用研究提供有益的参考。

基于多维时间序列分析的网络异常检测

针对实际网络异常检测要求高检测率、低误报率的问题,提出了一种基于多维时间序列的检测方法。首先,通过对实际网络流量进行长期观测,提取多维特征对网络流量进行描述;然后,利用时间序列分析方法对多维特征进行预测,计算预测值与真实值的时间序列偏离度,并且实时更新偏离度,适应多变的网络环境;最后,利用支持向量机(SVM)算法对偏离度向量进行分类判别,判断是否发生异常。目前该方法已应用于校园网关键服务器的实时监测与防护工作中,实际服务器流量的预测、告警结果表明,该方法可以有效检测网络中的异常流量。

从混沌时间序列同时计算关联维和Kolmogorov熵

在ＧＰ算法的基础上提出用最小二乘法从时间序列同时计算出关联维和Ｋｏｌｍｏｇｏｒｏｖ熵的方法。对混沌系统，从本方法得出的关联维是最优的，同时也得到了Ｋｏｌｍｏｇｏｒｏｖ熵的稳定估计。并用Ｒｏｓｌｅｒ吸引子和Ｌｏｒｅｎｚ吸引子为例证实了这一算法。

基于SVR的多维时间序列分析及其在农业科学中的应用

【目的】建立一种基于结构风险最小、既反映样本集动态特征又体现环境因子影响的高精度非线性多维时间序列预测方法。【方法】耦合支持向量机回归(SVR)和带受控项的自回归模型(CAR),以留一法基于MS最小原则实施模型定阶和变量筛选,以一步预测法检验新模型SVR-CAR的有效性,并通过强制汰选给出各保留变量对预测的相对重要性次序。【结果】3个农业科学实例验证表明,SVR-CAR在7种参比模型中预测精度最高,且可更精细地反映样本集的非线性动态特征,依各保留变量对预测的相对重要性次序及其动态变化可赋予保留变量部分解释能力。【结论】SVR-CAR是一种基于SVR并融合时间序列分析和回归分析的非线性多维时间序列分析方法具结构风险最小、非线性、适于小样本,能有效克服过拟合、维数灾和局极小,非线性定阶和非线性筛选变量,自动选择核函数及其相应参数,泛化推广能力优异、预测精度高等诸多优点,在农业科学、生态学、经济学等领域有广泛应用前景。

基于SVR和CAR的多维时间序列分析及其在生态学中的应用

基于支持向量回归(SVR)并融合带受控项的自回归模型(CAR),建立了一种既反映样本集动态特征又体现环境因子影响的非线性多维时间序列分析预测方法(SVR-CAR)。用一步预测法对两个生态学样本集的预测结果表明,SVR-CAR在所有参比模型中预测精度最高,并具结构风险最小、非线性、避免过拟合、泛化推广能力优异等诸多优点。SVR-CAR在生态学、农业科学、经济学等多维时间序列预测领域有较广泛的应用前景。

基于多维时间序列局部支持向量回归的微网光伏发电预测

目前光伏发电预测普遍采用采样间隔较大的单一时间尺度功率序列建模,模型简单但对功率时序特征的模拟精度不高。文中提出了一种基于小采样间隔光伏功率数据的多维时间序列局部预测方法。通过构造不同时间尺度的光伏功率均值序列,形成以小时平均光伏功率序列为主要研究序列的多维时间序列;基于相关性分析、C-C方法和嵌入维最小预测误差法确定多维时间序列相空间重构的时间延迟和嵌入维;采用支持向量回归方法建立提前1h的光伏功率局部预测模型。以国内某微网的光伏功率预测为例进行仿真实验,计算结果表明,多维时间序列局部预测模型优于基于单一时间尺度功率序列的局部预测模型,更具应用价值。

基于关联维的事故时间序列分形特征分析

根据我国"十五"期间事故统计数据,构造了一个事故时间序列;基于相空间重构理论,对事故序列进行了相空间重构,应用G-P算法,对事故时间序列的分形特征进行了研究,计算得出事故时间序列的关联维数。研究结果表明:当嵌入维数达到8以后,该事故动力学系统具有稳定的关联维数4.7,说明至少有5个因子在影响着事故时间序列的动态变化,并且该系统的有效自由度为8。本研究对建立事故时间序列的预测模型有较大的参考价值。

多元时间序列特征降维方法研究

针对常见的降维方法难以有效地保留多元时间序列主要特征的问题,分析了传统PCA方法在多元时间序列降维中的局限性;提出一种基于共同主成分分析的线性降维方法;把共同主成分与核技巧相结合,通过数学推导,将其拓展为基于共同核主成分分析的非线性降维方法;最后分析两种方法的降维有效性.与传统PCA方法相比,基于共同核主成分分析的降维方法可以表达变量间的非线性关系、能够选取合适的核函数和形状参数,因此降维手段更为灵活、对数据的适应性更强.实验结果表明,本文提出的降维方法能够更有效地对多元时间序列进行降维.

时间序列曲线盒维数的一种快速算法

盒维数是应用最为广泛的维数之一 ,它在信息处理、预测等领域都有成功的应用。目前 ,对盒维数的计算主要采用网格法 ,但该算法需处理分形集合在网格中的计数问题 ,所以计算机处理起来很不方便。针对一维时间序列 ,提出了在不同间隔时间内寻求最大离差的方法 ,避免了集合的计数问题。应用该算法对上证指数的时间序列曲线的盒维数的计算表明上证指数存在着长程正相关。

林木生长的多维时间序列分析

利用多维时间序列分析方法，以影响杉木直径生长的五大主导气象要素作控制因子，建立杉木直径生长的ＣＡＲ模型，从而对杉木直径生长提前一年作预测，回验结果表明模型准确率很高，为林木生长预测预报提供了一种新方法．

基于地统计学的多维时间序列模型及其在生态学中的应用

基于地统计学半变异函数发展了一种新的多维时间序列最优阶数判断方法,并结合支持向量回归建立了既反映样本集动态特征又体现环境因子影响的非线性多维时间序列分析预测模型(GS-SVR).用一步预测法对两个生态学样本集的预测结果表明,GS-SVR预测精度高,并具结构风险最小、非线性、避免过拟合、泛化推广能力强等诸多优点.