文献

J-GLOBAL ID：201802252399529128   整理番号：18A0408298

時系列異常検出における動的セグメンテーションのための隣接平均差(AMD)法【Powered by NICT】

Adjacent Mean Difference (AMD) method for dynamic segmentation in time series anomaly detection

著者 (2件)： Yang Chao-Lung (Department of Industrial Management at National Taiwan University of Science and Technology, Taipei, Taiwan) ,  Liao Wei-Ju (Department of Industrial Management at National Taiwan University of Science and Technology, Taipei, Taiwan)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： SII  ページ： 241-246  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 発見的規則化時系列の記号的集約近似法(HOT SAX)を時系列的に異常を検出するために用いるよく知られた記号表現方法である。HOT SAXは次元縮小を可能にし,発見的アルゴリズムを用いた異常を探索するため,HOT SAXは時系列データ解析における支配的であった。しかし,HOT SAXは等しい長さのウィンドウを滑らせることにより異常を検出するために,窓の異なる長さを設定したときの異常の検索結果が変化し,最適長さ定義が困難である。それ故,本研究では,隣接平均差(AMD)セグメンテーション手法ではどのパラメータを設定することなしに動的にデータを分割するために提案した。本質的に,AMD分割は,データ点間の遷移に基づく異なる長さの複数のセグメントにデータ。データセグメンテーション後,FastDTWは異なる長さのセグメント間の距離を比較した。実験は,AMDはセグメントデータ動的に容易で効率的な方法であることを示した。またHOT SAXとの比較は,AMDは,より優れた計算効率で異常を検出するために使用できることを示した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 次元縮小 ,  近似法 ,  *セグメンテーション ,  集中化
準シソーラス用語： 計算効率 ,  時系列データ ,  発見的アルゴリズム ,  *異常検出 , 【Automatic Indexing@JST】

分類 (3件)： パターン認識  (JE07000S) ,  数値計算  (JE02000J) ,  システム・制御理論一般  (IA02010H)

タイトルに関連する用語 (6件)： 時系列 ,  異常検出 ,  セグメンテーション ,  平均 ,  AMD ,  法