文献

J-GLOBAL ID：201802236703839304   整理番号：18A1446585

異分散ガウス過程に基づく時系列データ異常値検出【JST・京大機械翻訳】

Outlier detection in time series data based on heteroscedastic Gaussian processes

著者 (3件)： Yan Hong (中国民用航空飛行学院計算机学院,四川广漢618307;四川大学国家空管自動化系統技術重点実験室,成都610064) ,  Yang Bo (四川大学国家空管自動化系統技術重点実験室,成都,610064) ,  Yang Hongyu (四川大学国家空管自動化系統技術重点実験室,成都,610064)
資料名： Jisuanji Yingyong  (Jisuanji Yingyong)
巻： 38  号： 5  ページ： 1346-1352  発行年： 2018年 
JST資料番号： C2535A  ISSN： 1001-9081  CODEN： JYIIDU  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 時系列データは,通常,内部可変性と外部擾乱の影響を受けるので,各時間点でのデータの影響を受ける程度が異なる場合,データの多様性は,しばしば影響を受けるだろう。ガウスプロセス予測モデルに基づく時系列データ異常値検出の方法を提案した。監視データを標準値と偏差項の2つの部分に分解し、理想情況下の標準値のモデリングを除けば、再びガウス過程を用いて、異分散偏差項の有効な記述を実現した。変分推定により,バイアス項の事後確率解の問題を解決し,事後分布で設定される許容差区間を異常値判定に用いた。ヤモリ会社が公開したネットワークトラフィックの時系列データを用いて検証を行い、モデル出力の許容差区間の異なる時間点での変化傾向は標識の正常データの偏差状況と一致する。比較実験において,異常検出性能指標F1-scoreは,自己回帰積分滑り平均モデル,クラスサポートベクトルマシン,および密度に基づく空間クラスタ化アルゴリズムより良好である。実験結果は,このモデルが各時間点での正常データの分布を効果的に記述でき,誤警報率と再現率の両方の統合トレードオフを取得できることを示した。さらに,モデルパラメータの不適切な設定を避けることができる。Data from Wanfang. Translated by JST.【JST・京大機械翻訳】

シソーラス用語： *異常値 ,  予測モデル ,  モデル ,  バイアス ,  公差 ,  事後確率 ,  アルゴリズム ,  クラスタ化 ,  規格値 ,  *Gauss過程 ,  サポートベクトルマシン ,  モデリング
準シソーラス用語： 再現率 ,  事後分布 ,  *時系列データ , 【Automatic Indexing@JST】

著者キーワード (5件)： outlier detection ,  time series ,  Gaussian process ,  heteroscedasticity ,  variational inference

分類 (1件)： 計算機網  (JC03000K)

タイトルに関連する用語 (3件)： ガウス過程 ,  時系列データ ,  異常値検出