Time-EAPCR：一种应用于环境领域的基于深度学习的异常检测新方法
机器学习
2025-03-13 v1
摘要
随着人类活动的加剧，水生生态系统和水处理系统等环境系统面临着日益复杂的压力，影响着生态平衡、公共健康和可持续发展，这使得智能异常监测变得至关重要。然而，传统的监测方法存在响应滞后、数据处理能力不足和泛化性弱等问题，无法满足复杂的环境监测需求。近年来，机器学习已被广泛应用于异常检测，但环境生态数据的多维特征和时空动态，特别是时间维度上的长期依赖性和强变异性，限制了传统方法的有效性。深度学习凭借其自动学习特征的能力，能够捕捉复杂的非线性关系，从而提升检测性能。然而，其在环境监测中的应用仍处于早期阶段，需要进一步探索。本文引入了一种新的深度学习方法 Time-EAPCR（Time-Embedding-Attention-Permutated CNN-Residual），并将其应用于环境科学。该方法揭示特征相关性，捕捉时间演化模式，并实现对环境系统中异常的精确检测。我们在四个公开的环境数据集上验证了 Time-EAPCR 的高准确性和鲁棒性。实验结果表明，该方法能有效处理多源数据，提高检测精度，并在各种场景中表现出强大的适应性和泛化能力。此外，一个真实的河流监测数据集证实了其部署的可行性，为环境监测提供了可靠的技术支持。
引用
@article{arxiv.2503.09200,
title = {Time-EAPCR: A Deep Learning-Based Novel Approach for Anomaly Detection Applied to the Environmental Field},
author = {Lei Liu and Yuchao Lu and Ling An and Huajie Liang and Chichun Zhou and Zhenyu Zhang},
journal= {arXiv preprint arXiv:2503.09200},
year = {2025}
}