面向时序数据异常检测的可视分析综述

韩东明; 郭方舟; 潘嘉铖; 郑文庭; 陈为

doi:10.7544/issn1000-1239.2018.20180126

面向时序数据异常检测的可视分析综述

(CAD & CG国家重点实验室(浙江大学) 杭州 310058) (dongminghan@zju.edu.cn)

基金项目: 国家重点研发计划项目(2018YFB0904503)；国家“九七三”重点基础研究发展计划基金项目(2015CB352503)；国家自然科学基金优秀青年科学基金项目(61422211);国家自然科学基金项目(61772456,61761136020) This work was supported by the National Key Research and Development Program of China (2018YFB0904503), the National Basic Research Program of China (973 program) (2015CB352503), the National Natural Science Foundation of China for Excellent Young Scientists (61422211), and the National Natural Science Foundation of China (61772456, 61761136020).

详细信息

中图分类号: TP391
计量
- 文章访问数: 2487
- HTML全文浏览量: 13
- PDF下载量: 1107
出版历程
- 发布日期: 2018-08-31

Visual Analysis for Anomaly Detection in Time-Series: A Survey

(State Key Laboratory of CAD & CG (Zhejiang University), Hangzhou 310058)

摘要

摘要: 时序数据中的异常检测指的是在时序上去检测分析数据中异常的特征、趋势或模式.自动化的异常检测方法常会忽略细微的、模糊的、不确定的异常.可视分析通过对数据的可视表达和可视界面，集成用户和数据挖掘的能力.首先总结异常检测的挑战；然后从异常类型(属性、拓扑和混合)和异常检测方法(直接投影法、聚类方法和机器学习方法)2个角度对面向时序数据异常检测的可视分析工作进行分类和总结；最后阐述了未来的研究方向.
- 异常检测 /
- 可视分析 /
- 可视化 /
- 时序数据 /
- 数据挖掘
Abstract: Anomaly detection for time-series denotes the detection and analysis of abnormal and unusual patterns, trends and features. Automatic methods sometimes fail to detect anomalies that are subtle, fuzzy or uncertain, while visual analysis can overcome this challenge by integrating the capability of human users and data mining approaches through visual representations of the data and visual interface. In this paper, we identify the challenges of anomaly detection, and describe the existing works of visual analysis along two categories: types of anomalies (attributes, topologies and hybrids), and anomaly detection means (direct projection, clustering and machine learning). We highlight future research directions.
- anomaly detection /
- visual analysis /
- visualization /
- time-series data /
- data mining

HTML全文

参考文献(0)

施引文献(30)

期刊类型引用(14)

1.	傅冰飞，陈同林，许枫，朱麟，李斌，薛向阳. 基于背景-前景组成式建模的电路板异常检测. 计算机研究与发展. 2025(01): 144-159 . 本站查看
2.	张学叶，林永强. 面向不确定性多数据流异常检测的数学模型. 计算机仿真. 2024(04): 517-521 . 百度学术
3.	马红荣，牟宗磊，胡景淇. 轨式输送机轮轨噪声预测技术研究. 噪声与振动控制. 2024(05): 186-192 . 百度学术
4.	赵子晗，段同乐，张冬宁. 基于滑动窗口的直升机序列异常检测算法. 计算机测量与控制. 2023(02): 41-47+54 . 百度学术
5.	亓红红. 基于紧凑模式树的配电网物资供应链中异常数据挖掘. 微型电脑应用. 2022(03): 162-164 . 百度学术
6.	张健，王子豪，于敬. 基于无监督学习的可解释性财务异常检测研究. 电子技术与软件工程. 2022(04): 257-262 . 百度学术
7.	路洁，郑小贤，杨辉，贾蕾. 基于时序数据挖掘的电价执行异常分析模型设计. 自动化技术与应用. 2022(05): 171-174 . 百度学术
8.	袁之淇，易树平，王钰涵，高鑫钰. 基于用户行为分析的企业ERP操作可视化及应用. 工业工程与管理. 2022(03): 127-138 . 百度学术
9.	徐天慧，郭强，张彩明. 基于全变分比分隔距离的时序数据异常检测. 计算机科学. 2022(09): 101-110 . 百度学术
10.	徐军. 基于深度学习的财务异常数据智能分析方法研究. 电子设计工程. 2021(16): 149-152+157 . 百度学术
11.	冀婷. 基于人机交互的三维数据协同可视检测仿真. 计算机仿真. 2021(10): 405-409 . 百度学术
12.	李晓峰，王妍玮，李东. 基于层次化深度学习的医疗数据库离群数据检测算法. 计算机系统应用. 2020(03): 180-186 . 百度学术
13.	王小玲，张小芳，李宁，韩承枫，袁祝平，高环宇. 一种基于综合调优的数据库性能趋势预测方法. 西北工业大学学报. 2020(05): 1030-1037 . 百度学术
14.	张程，尚海涛. 基于数学建模的网络数据流异常检测仿真. 计算机仿真. 2019(11): 423-426+453 . 百度学术