基于动态阈值的卷积自编码器实时异常检测
机器学习
2024-04-09 v1 人工智能
摘要
大多数现代消费级能源由实时智能表计系统产生。这些系统常包含异常值，这会阻碍对时间序列演变的可靠估计。本工作引入一种混合建模方法，结合统计方法和卷积自编码器（Convolutional Autoencoder），并采用基于马哈拉逐距离（Mahalanobis distance）和移动平均的动态阈值。我们使用来自智能表计系统收集的真实能源消耗数据进行测试。该解决方案包括一个实时、针对表计的异常检测系统，可连接到高级监控系统。通过检测异常数据运动并提供提前警报，这一工作作出了实质性贡献。早期检测和后续故障排查可为组织和消费者带来经济利益，防止事故发生。
引用
@article{arxiv.2404.04311,
title = {A Real-time Anomaly Detection Using Convolutional Autoencoder with Dynamic Threshold},
author = {Sarit Maitra and Sukanya Kundu and Aishwarya Shankar},
journal= {arXiv preprint arXiv:2404.04311},
year = {2024}
}