基于深度学习的物联网数据分析
网络与互联网体系结构
2021-04-15 v2 机器学习
摘要
深度学习是一种流行的机器学习方法，在所有传统机器学习领域取得了大量进展。物联网和智慧城市部署正在产生大量需要分析的时间序列传感器数据。将深度学习应用于这些领域一直是一个重要的研究课题。长短期记忆网络已被证明非常适合处理和预测时间序列中具有长间隔和延迟的重要事件。LSTM网络具备维持长期记忆的能力。在LSTM网络中，堆叠的LSTM隐藏层也使得学习高层时间特征成为可能，而无需其他技术所需的任何微调和预处理。在本文中，我们构建了一个长短期记忆（LSTM）递归神经网络结构，使用正常时间序列训练集构建预测模型。然后，我们利用预测模型的预测误差构建高斯朴素贝叶斯模型，以检测原始样本是否异常。该方法简称为LSTM-Gauss-NBayes。我们使用了三个真实世界的数据集，每个数据集都涉及长期时间依赖、短期时间依赖，甚至非常弱的时间依赖。实验结果表明，LSTM-Gauss-NBayes是一个有效且鲁棒的模型。
引用
@article{arxiv.1708.03854,
title = {IoT Data Analytics Using Deep Learning},
author = {Xiaofeng Xie and Di Wu and Siping Liu and Renfa Li},
journal= {arXiv preprint arXiv:1708.03854},
year = {2021}
}