基于 LSTM-自编码器的室内空气质量时间序列数据异常检测
机器学习
2022-04-15 v1 密码学与安全
摘要
室内空气质量（IAQ）数据异常检测已成为重要研究领域，因为空气质量与人类健康和福祉密切相关。然而，IAQ 领域传统的统计与浅层机器学习异常检测方法无法检测涉及跨多个数据点相关性观测的异常（即常称的长期依赖）。我们提出一种结合 LSTM 与自编码器的混合深度学习模型，用于 IAQ 异常检测任务以解决此问题。在我们的方法中，LSTM 网络由多个 LSTM 单元组成，相互协作以学习时间序列中数据的长期依赖。自编码器基于所有时间序列上各数据的重建损失率确定最优阈值。我们基于新西兰学校真实部署获得的 Dunedin CO2 时间序列数据集的实验结果显示出极高且鲁棒的正确率（99.50%），优于其他类似模型。
引用
@article{arxiv.2204.06701,
title = {LSTM-Autoencoder based Anomaly Detection for Indoor Air Quality Time Series Data},
author = {Yuanyuan Wei and Julian Jang-Jaccard and Wen Xu and Fariza Sabrina and Seyit Camtepe and Mikael Boulic},
journal= {arXiv preprint arXiv:2204.06701},
year = {2022}
}
备注
14 pages, 16 figures, 5 tables