基于多尺度深度残差网络的时间序列异常数据检测与修正

摘要

时间序列异常数据检测与修正一直是数据科学与工程领域的研究热点,是进行有效数据分析的前提。目前的传统基于回归模型与浅层学习的方法不能有效地提取数据的特征,导致异常检测结果较差。而目前深度学习的方法的长序列学习较困难,容易出现梯度消失等问题,并且只能做异常判断。针对上述问题,提出一种多尺度深度残差网络模型实现时间序列异常数据检测与修正。该方法通过对误差序列的估计实现异常数据的检测,通过网络的最后一层实现数据的修正,并利用残差学习更深的网络结构,进一步提高算法的准确率。实验对比结果表明,所提方法可以有效地实现时间序列的异常数据检测及修正。