異常檢測是對數(shù)據(jù)集中存在非正常模式下所產(chǎn)生數(shù)據(jù)的檢測。多維時間序列（Multidimensional Time Series,MTS）是多維變量按時間順序記錄一系列觀察值的集合。駕駛交通工具所產(chǎn)生的駕駛數(shù)據(jù),是典型的MTS數(shù)據(jù)。針對駕駛數(shù)據(jù)的異常檢測,是保障生命安全的重要手段�，F(xiàn)有的MTS異常檢測模型難以準(zhǔn)確分析駕駛行為中的異常情況。因此,本研究是為搭建針對MTS中駕駛數(shù)據(jù)的異常點檢測模型,研究范圍包括汽車駕駛數(shù)據(jù)和飛行駕駛數(shù)據(jù)。QAR（Quick Access Recorder,QAR）數(shù)據(jù)是典型的飛行駕駛數(shù)據(jù)。本文圍繞MTS數(shù)據(jù)中的汽車駕駛數(shù)據(jù)以及QAR數(shù)據(jù)的異常檢測展開以下研究工作:本文提出一種基于混合方法的多維時間序列駕駛異常點檢測模型LAIF（Long-short-term-memory based Autoencoder with Isolation Forest）。模型是將深度神經(jīng)網(wǎng)絡(luò)和孤立森林算法相結(jié)合,對駕駛數(shù)據(jù)中的異常點進行檢測。LAIF首先借助滑動窗口完成原始數(shù)據(jù)的特征提取,再借助基于長短時記憶網(wǎng)絡(luò)（Long Short Term Memory,LSTM）的自動編... 

【文章來源】：中國民航大學(xué)天津市

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于多維時間序列的異常檢測研究現(xiàn)狀
        1.2.2 基于QAR數(shù)據(jù)的異常檢測研究現(xiàn)狀
    1.3 論文主要內(nèi)容
    1.4 本文結(jié)構(gòu)安排
第二章 相關(guān)理論知識
    2.1 多維時間序列
    2.2 異常檢測
    2.3 多維時間序列的異常檢測相關(guān)算法
        2.3.1 特征提取
        2.3.2 深度學(xué)習(xí)相關(guān)算法
        2.3.3 異常檢測相關(guān)算法
    2.4 模型評估指標(biāo)
    2.5 飛行品質(zhì)監(jiān)控相關(guān)概念
    2.6 QAR參數(shù)含義
第三章 基于混合方法的多維時間序列駕駛異常點檢測
    3.1 數(shù)據(jù)預(yù)處理
        3.1.1 特征提取
        3.1.2 數(shù)據(jù)重構(gòu)
    3.2 異常檢測
    3.3 LAIF異常檢測模型
    3.4 實驗結(jié)果與分析
    3.5 本章小結(jié)
第四章 基于自動編碼器的QAR數(shù)據(jù)異常檢測
    4.1 基于自動編碼器的QAR數(shù)據(jù)異常檢測模型LAE
        4.1.1 特征提取
        4.1.2 異常檢測
    4.2 實驗結(jié)果與分析
    4.3 本章小結(jié)
第五章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 展望
致謝
參考文獻



本文編號：3471179