[發(fā)明專利]一種基于ARIMA-SVR的水文時間序列異常值檢測方法

有效

• 申請?zhí)枺?/td>: 201711210505.0
• 申請日: 2017-11-28
• 公開（公告）號: CN107908891B
• 公開（公告）日: 2019-10-18
• 發(fā)明（設(shè)計）人: 婁淵勝;孫建樹;葉楓;蓋振
• 申請（專利權(quán)）人: 河海大學(xué)
• 主分類號: G06F17/50
• 分類號: G06F17/50
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 李玉平

1.一種基于ARIMA-SVR的水文時間序列異常值檢測方法，其特征在于，包括如下步驟：

步驟1：取待檢測值的前n個值，形成水文時間序列，對水文時間序列進(jìn)行平穩(wěn)性檢驗，如果通過，進(jìn)入下一步；如果不通過，對序列持續(xù)差分直到差分后的序列滿足平穩(wěn)性檢驗；

步驟2：通過步驟1得到模型的差分階數(shù)d；以AIC信息準(zhǔn)則為準(zhǔn)，限定自回歸的階數(shù)p和移動平均階數(shù)q的范圍，遍歷(p,q)組合，找出具有最小AIC值的(p,q)組合；

步驟3：將上述步驟中確定的最優(yōu)p，d，q應(yīng)用于ARIMA模型預(yù)測t時刻的值，同時得到置信度為α的置信區(qū)間；

步驟4：將步驟3中的得到的預(yù)測值與實際值相減得到殘差，作為訓(xùn)練集輸入到SVR；

步驟5：針對非線性回歸問題，先使用非線性函數(shù)把訓(xùn)練集中的樣本數(shù)據(jù)映射到一個高維特征空間，并在這個高維特征空間進(jìn)行線性回歸；訓(xùn)練樣本x_i滿足如下條件：y_i(x_i*ω+b)-1+ξ_i≥0其中ξ_i稱為松弛變量，且滿足ξ_i≥0，i＝1,2,3…n；

步驟6：采用10折交叉驗證的方法，其中ε-不敏感損失函數(shù)選擇核函數(shù)選擇徑向基函數(shù)，尋找出最佳的gamma、cost的組合；

步驟7：利用步驟6中得到的最佳參數(shù)構(gòu)建SVR模型，然后預(yù)測出殘差；

步驟8：將步驟3和步驟7得到的預(yù)測值相加，得到最終的預(yù)測值同時計算出置信度為α的置信區(qū)間，其中置信度定義了預(yù)測值在置信區(qū)間范圍內(nèi)的預(yù)期概率；

步驟9：比較實際值與置信區(qū)間的關(guān)系，如果實際值在預(yù)測區(qū)間之外則為異常值，否則為正常值。

2.如權(quán)要求1所述的基于ARIMA-SVR的水文時間序列異常值檢測方法，其特征在于，步驟6中選用徑向基函數(shù)為核函數(shù)。

3.如權(quán)要求1所述的基于ARIMA-SVR的水文時間序列異常值檢測方法，其特征在于，最優(yōu)p，d，q應(yīng)用于ARIMA模型即等式預(yù)測t時刻的值，同時得到置信度為α的置信區(qū)間。

4.如權(quán)要求1所述的基于ARIMA-SVR的水文時間序列異常值檢測方法，其特征在于，所述步驟6中，對于得到的殘差序列，ε-不敏感損失函數(shù)和核函數(shù)是支持向量回歸中最重要的兩個函數(shù)，使用10折交叉驗證的方法得到ε-不敏感損失函數(shù)和核函數(shù)。

5.如權(quán)要求1所述的基于ARIMA-SVR的水文時間序列異常值檢測方法，其特征在于，所述步驟8中，將兩組模型預(yù)測得到的值相加并得到最終的置信區(qū)間，從而可以判斷異常點。