Статья

Название статьи ОБНАРУЖЕНИЕ ОСОБЫХ ТИПОВ ПАТТЕРНОВ ВО ВРЕМЕННЫХ РЯДАХ НА ОСНОВЕ ГИБРИДНОЙ СТОХАСТИЧЕСКОЙ МОДЕЛИ
Автор С.М. Ковалев, А.В. Суханов
Рубрика РАЗДЕЛ II. АЛГОРИТМИЧЕСКОЕ И ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ
Месяц, год 04, 2014
Индекс УДК 656.2 + 06
DOI
Аннотация В настоящее время наблюдается широкое внедрение автоматизированных информационно-управляющих систем, основанных на базах данных и знаний. В связи с этим появляется необходимость компьютерного анализа больших объемов информации, полученной в результате наблюдений за работой технических устройств и напольного оборудования. Здесь для выявления и обобщения полезной информации, а также для формирования баз знаний используются различные методы обработки темпоральных данных, в частности методы классификации и кластеризации временных рядов. В статье рассматривается одна из наиболее важных задач в области интеллектуального анализа данных, связанная с обнаружением особых типов темпоральных паттернов во временных рядах. Предлагаемый метод основан на обучении без учителя Марковской модели исследуемой системы с продукционными правилами, описывающими ее «немарковские» ситуации. Представленный подход к классификации применим для решения широкого круга задач, так как не требует знаний обо всех линиях поведения. Приведенные эксперименты на одной из реализаций типового образца временного ряда доказывают актуальность применения метода для выявления особых типов темпоральных паттернов.

Скачать в PDF

Ключевые слова Обнаружение аномалий; обучение без учителя; временной ряд; Марковская модель; продукционные модели; особые паттерны.
Библиографический список 1. Grabocka J., Nanopoulos A., Schmidt-Thieme L. Invariant Time-Series Classification // European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML-PKDD). – 2012. – P. 725-740.
2. Ковалев С.М., Гуда А.Н., Бутакова М.А. Гибридная стохастическая модель обнаружения особых типов паттернов в темпоральных данных // Вестник РГУПС. – 2013. – № 3 (51). – С. 36-42.
3. Суханов А.В. Стохастическая Марковская модель поиска аномалий в темпоральных данных // Труды Конгресса по интеллектуальным системам и информационным технологиям «IS&IT’13»: В 4 т. – М.: Физматлит, 2013. – Т. 1. – С. 177-181.
4. Chandola V., Banerjee A., Kumar V. Anomaly Detection: A Survey // ACM Computing Surveys, 2009. – Vol. 41(3). Article 15. – P. 1-72.
5. Ma J., Perkins S. Time-series novelty detection using one-class support vector machines // Proceedings of the International Joint Conference on Neural Networks. – July 2003. – Vol. 3. – P. 1741–1745.
6. Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений. – М.: Мир, 1976. – 166 c.
7. Scheuner U. Fuzzy-Mengen Verknьpfung und Fuzzy-Arithmetik zur Sensordaten-Fusion // VDI-Verlag. – 2001. – Bd. 8.
8. Keogh E., Xi X., Wei L., Ratanamahatana C.A. The UCR time series classification/clustering homepage // http://www.cs.ucr.edu/ ~eamonn/time_series_data/.

Comments are closed.