基于时间序列挖掘的阶段式异常预测研究

The application of time series-based anomaly prediction in fields such as medical and environmental monitoring plays an important role in saving lives, money and resources. In this project, we propose to solve a brand new problem in time series mining: Time Series Progressive Anomaly Prediction. Based on the early capture of anomaly indications, the various stages on the anomaly evolution route will be automatically identified. At each stage, a prediction on the type and expected time of occurrence of the anomaly is given. A novel time series compression method and a corresponding similarity measure are to be designed. Based on these, an effective time series progressive anomaly prediction algorithm is to be developed. Each stage of the anomaly evolution route will be represented by a set of characteristic subsequences. A dynamic segmentation scheme will be utilized to segment the training series, which will go iteratively combined with the identification of the characteristic subsequences, yielding optimal representation for each latent stage on the evolution route. A rule set will then be constructed for online prediction. Key research questions to be solved include how to design an effective time series compression method, how to design a similarity measure upon the compressed sequences, and how to design an effective time series progressive anomaly prediction method.

基于时间序列数据的异常预测在医疗监测、环境监测等领域的应用对于拯救生命，节约金钱和资源具有重要的意义。在本项目中，我们提出并解决一个新的时间序列挖掘问题——时间序列阶段性异常预测。这一问题要求在对异常预兆的早期捕获基础上，自动识别异常演进过程的各个阶段，并在每个阶段分别做出关于异常类型、异常发生时刻的预测。我们将研究新的时间序列压缩算法，并设计有效比较压缩后序列相似性的方法。在此基础上，我们设计有效的时间序列阶段性预测算法。我们分别用特征子序列集表征异常预兆演进的每一阶段：使用动态分段思想对训练序列进行阶段划分，并将其与特征子序列集识别相结合，实现迭代式的分段，从而为每一潜在演进阶段找到最佳的表征；基于此，我们构建用于在线异常预测的规则集。拟解决的关键科学问题包括：如何设计有效的时间序列压缩方法，如何为压缩后的时间序列设计相似性测度，如何设计有效的阶段性异常预测算法。

基于时间序列数据的异常预测在生物医学、环境保护等领域的应用对于拯救生命，保护环境等具有重要的意义。在本项目中，我们提出了一个新的时间序列挖掘问题——时间序列阶段性异常预测。这一问题要求在对异常预兆的早期捕获基础上，自动识别异常演进过程的各个阶段，并在每个阶段分别做出关于异常类型、异常发生时刻的预测。在这一问题的框架下，我们按照原定研究目标，在半监督和监督式两种场景下，研究了时间序列压缩、相似性测量、特征子序列识别、分类、异常检测与预测等基础理论和关键技术，取得了一系列创新成果，包括一种基于特征子序列的正例与未标注（PU）异常检测与预测方法、一种面向最近邻算法的时间序列PU学习模型选择方法和一种基于模式袋（BOP）压缩表示的高效时间序列相似性测量和分类方法。同时，我们面向生物医学和环境保护两大应用领域，开展了应用研究：在生物医学领域，面向心电、心冲击图、脑电等常见的医学时间序列数据，针对心律失常、高血压、癫痫等生物医学中的常见异常，提出了多种领域相关的异常检测与阶段性预测模型，包括三种基于注意力机制的高准确性心律失常检测与预测模型、一种基于目标检测的心电信号异常阶段识别和检测模型、一种智能化高血压阶段性预测方法、两种基于脑电信号复杂网络表示的高准确性癫痫发作检测与预测方法；在环境保护领域，我们面向二氧化硫浓度时间序列数据，针对燃煤企业湿法烟气脱硫（WFGD）场景下的异常检测与预测问题，提出了一种异常检测与预测方法。上述研究成果为时间序列阶段性异常预测这一新问题的研究起到了奠基作用，推动了时间序列挖掘领域诸多课题的理论和方法创新研究，同时在生物医学、环境保护等多个领域具有重要的实用价值。