公开(公告)号：CN118797515A

公开(公告)日：2024-10-18

申请号：CN202410780475.0

申请日：2024-06-18

Applicant: 哈尔滨理工大学

Inventor： 张郑 ,  张凤斌 ,  安兴 ,  张渝曼

IPC: G06F18/2433 ,  G06F18/25 ,  G06N3/084 ,  G06N3/0464 ,  G06F123/02

Abstract: 本发明是一种基于多分量相关性融合的多元时间序列数据异常检测方法。本发明涉及在多元时序异常检测技术领域，本发明进行数据预处理，对数据进行标准化和数据集的划分；进行序列分解与特征提取，对多分量的时序数据进行特征提取，提取的特征输入模型中；进行多分量融合，将提取到的多个分量特征使用一个融合矩阵进行融合；进行模型训练，使用多分量相关性融合的时间序列数据异常检测方法进行训练，训练对时间序列数据进行异常检测的模型；进行模型测试，使用训练好的模型测试数据。本发明能够很好地处理高维数据，无需手动选取数据特征。只要训练好模型，就可以获得较好的检测效果。同时经过多尺度序列分解操作，能够提取更充分的时序特征。

公开(公告)号：CN119540887A

公开(公告)日：2025-02-28

申请号：CN202411604505.9

申请日：2024-11-12

Applicant: 哈尔滨理工大学

Inventor： 郑集文 ,  黄海 ,  鲍方博 ,  叶津麟 ,  安兴 ,  邵友信

IPC: G06V20/54 ,  G08G1/065 ,  G08G1/01 ,  G06V20/40 ,  G06V10/25 ,  G06V10/28 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明提出一种基于长短周期Transformer融合趋势与季节特征的高速交通流预测方法，属于数据无监督预测领域。针对交通流数据中变量间存在的时空关联性，以及传统方法在处理数据时未能充分结合近期与远期信息的问题，提出一种基于长短周期Transformer融合趋势与季节特征的高速交通流预测方法。本发明创新性地将Transformer注意力机制与扩散卷积相结合，深入挖掘短周期数据的时空相关性，同时将Transformer的趋势与季节特征相融合，有效捕获不同周期内的长期依赖关系。最后，通过利用3个权重矩对不同周期数据的预测结果进行融合，该方法充分考虑了短期数据与长期数据的特点。将所提的网络模型应用于高速交通流预测，能够提高预测准确度，实验结果验证了该方法的有效性。

公开(公告)号：CN119312253A

公开(公告)日：2025-01-14

申请号：CN202411454835.4

申请日：2024-10-17

Applicant: 哈尔滨理工大学

Inventor： 安兴 ,  张凤斌 ,  郑集文 ,  张郑 ,  叶津麟

IPC: G06F18/2433 ,  G06F18/10 ,  G06F18/2131 ,  G06N3/042 ,  G06N3/045 ,  G06N3/049 ,  G06F18/22 ,  G06F18/21 ,  G06N3/084

Abstract: 本发明提出一种基于时频融合的时序异常检测方法，属于时序数据异常检测领域。针对多变量时序数据中变量之间存在潜在关联以及传统方法未考虑到频域特征的问题，提出一种基于时频融合的时序异常检测方法。本发明创新性地将时域数据和频域数据两种不同模态的数据通过斯皮尔曼相关系数分别计算得到时域相似度矩阵和频域相似度矩阵，然后通过点乘的方式进行融合，使用图神经网络挖掘不同变量之间的潜在关系，使用时序图神经网络同时捕获时间依赖性和空间关系，能更好地提取时序数据的特征。将所提的网络模型应用于多变量时序数据的异常检测，能达到提升精确率的目的，实验结果验证了所提方法的有效性。