基于融合时空数据的车辆加油行为多视图深度异常检测框架

doi:10.11772/j.issn.1001-9081.2019040670

计算机应用››2019,第39卷››发行（11）: 3370-3375.内政部：10.11772/j.issn.1001-9081.2019040670

基于融合时空数据的车辆加油行为多视图深度异常检测框架

丁景全^1,2,马博^1,2,3,李晓^1,2,3

1中国科学院新疆理化技术研究所, 乌鲁木齐 830011;
2中国科学院大学, 北京 100049;
三。新疆民族语音语言信息处理实验室, 乌鲁木齐 830011

收稿日期:2019-04-22 修回日期:2019-06-08 出版日期:2019-11-10 发布日期:2019-08-21
通讯作者:马博
说唱乐介：丁景全(1973-),男,内蒙古赤峰人,副研究员,博士研究生,主要研究方向:大数据治理与分析;马博(1984-),男,辽宁鞍山人,副研究员,博士,共因失效会员,主要研究方向:大数据分析、知识图谱;李晓(1957-),男,四川邛崃人,研究员,博士生导师,硕士,共因失效会员,主要研究方向:多语种信息处理、信息管理系统。
基金资助:
新疆维吾尔自治区自然科学基金资助项目（2019D01A92）

基于时空数据融合的车辆加油行为多视图深度异常检测框架

丁景泉^1,2,MA Bo（文学硕士）^1,2,3,李晓^1,2,3

1.中国科学院新疆理化技术研究所，中国新疆乌鲁木齐830011；
2.中国科学院大学，北京100049；
3.新疆少数民族语音和语言信息处理实验室，乌鲁木齐，新疆830011

收到：2019-04-22 修订过的：2019-06-08 在线：2019-11-10 出版：2019年8月21日
支持单位：
这项工作得到了新疆自然科学基金（2019D01A92）的部分资助。

摘要/摘要

摘要：车辆加油时空数据多源异构、关系复杂，现有成熟的异常检测方法难以对时空离散的加油活动数据进行分析，因此提出基于融合时空数据的车辆加油行为多视图深度异常检测框架。首先基于统一概念模型（UCM）对静态信息和动态活动数据进行关联融合管理，然后从空间视图、时间视图和语义视图角度对时空数据进行编码和转换，最后基于三种视图构建深度时空异常分析检测框架。车辆加油时空数据集上的实验结果表明，多种异常检测方法在融合时空数据上均可取得更低均方根误差（RMSE），10.73%所提方法比现有主流方法中结果最好的长短时记忆网络（LSTM）RMSE为19.36%在信用卡欺诈公开数据集上的实验结果表明，所提方法较之逻辑回归模型，马修斯系数（MCC）为32.78%合作伙伴

关键词: 时空数据, 车辆加油, 数据融合, 异常检测, 深度学习

摘要：车辆加油时空数据的多源异构性和复杂关系给现有的异常检测方法带来了巨大挑战。针对这一问题，提出了一种基于时空数据融合的车辆加油多视角深度异常检测框架。首先，基于统一概念模型（UCM）对静态信息和动态活动数据进行关联、融合和管理。其次，根据空间视图、时间视图和语义视图对时空数据进行编码和转换。最后，基于上述多视图构建了深度异常检测框架。在车辆加油时空数据集上的实验结果表明，所测试的所有异常检测方法均能使均方根误差（RMSE）平均降低10.73%，与LSTM（Long-Short-Term Memory）相比，所提出的多视图时空异常检测框架的RMSE降低了19.36%，在现有方法中取得了最好的结果。与Logistic回归模型相比，该方法在信用卡欺诈数据集上的马修斯相关系数（MCC）提高了32.78%。所有实验结果都证明了该异常检测框架的有效性。

关键词： 时空数据，车辆加油，数据融合，异常检测，深度学习

中图分类号:

TP391.4标准

丁景全, 马博, 李晓. 基于融合时空数据的车辆加油行为多视图深度异常检测框架[J] ●●●●。，2019, 39(11): 3370-3375.

丁景泉、马波、李晓。基于时空数据融合的车辆加油行为多视角深度异常检测框架[J]。计算机应用杂志，2019，39（11）：3370-3375。

参考文献

[1] AGRAWAL S，AGRAWAL J.使用数据挖掘技术进行异常检测的综述[J]。《Procedia Computer Science》，2015年，60:708-713。
[2] ABDALLAH A，MAAROF M A，ZAINAL A.欺诈检测系统：一项调查[J]。《网络与计算机应用杂志》，2016，68:90-113。
[3] BUCZAK A L，GUVEN E.网络安全入侵检测的数据挖掘和机器学习方法综述[J]。IEEE通信调查与教程，2016，18（2）：1153-1176。
[4] NAIK N，DIAO R，SHEN Q.动态模糊规则插值及其在入侵检测中的应用[J]。IEEE模糊系统汇刊，2018，26（4）：1878-1892。
[5] DOSHI D A，KHEDKAR K B，RAUT N T，等.基于电力线通信的配电线路实时故障检测[J]。国际工程科学杂志，2016，6（5）：4834-4837。
[6] 等等LSTM Seq2Seq模型在加油站时序数据异常检测中的应用[J] ●●●●。，2019, 39(3):924-929. （陶涛，周X，马斌，等.基于双向长短期记忆的Seq2Seq模型检测加油站异常时间序列数据[J].计算机应用杂志，2019，39（3）：924-929.）
[7] YU W，CHENG W，AGGARWAL C C，et al.NetWalk:一种用于动态网络中异常检测的灵活深度嵌入方法[C]//第24届ACM SIGKDD国际知识发现与数据挖掘会议论文集。纽约：ACM，2018:2672-2681。
[8] 陈万志,李东哲. 结合白名单过滤和神经网络的工业控制网络入侵检测方法[J] ●●●●。，2018, 38(2):363-369. （陈文忠，李德忠.白名单滤波与神经网络相结合的工业控制网络入侵检测方法[J].计算机应用杂志，2018，38（2）：363-369.）
[9] FUJIMAKI R，YAIRI T，MACHIDA K。使用内核特征空间解决航天器异常检测问题的方法[C]//第十一届ACM SIGKDD知识发现和数据挖掘国际会议论文集。纽约：ACM，2005:401-410。
[10] ASHFAQ R A R，WANG X，HUANG J Z，等.基于模糊度的入侵检测系统半监督学习方法[J]。信息科学，2017，378:484-497。
[11] NOTO K，BRODLEY C，SLONIM D.FRaC：半监督和非监督异常检测的特征建模方法[J]。数据挖掘与知识发现，2012，25（1）：109-133。
[12] LENZERINI M.数据集成：理论视角[C]//第21届ACM SIGMOD-SIGACT-SIGART数据库系统原理研讨会论文集。纽约：ACM，2002:233-246。
[13] DONG X L，SRIVASTAVA D.大数据集成[J]。VLDB捐赠会议记录，2013，6（11）：1188-1189。
[14] 马斌，姜特，周X，等。一种基于统一概念模型的新型数据集成框架[J]。IEEE Access，2017年，5:5713-5722。
[15] 张杰，郑毅，齐迪。用于城市人群流量预测的深时空残差网络[C]//第31届AAAI人工智能会议论文集。波拉·阿尔托：AAAI出版社，2016:1655-1661。
[16] 程伟，沈毅，朱毅，等。城市空气质量推断的神经注意模型：学习监测站权重[C]//第32届AAAI人工智能会议论文集。波拉·阿尔托：AAAI出版社，2018:2151-2158。
[17] AGNIHOTRI M.信用卡欺诈检测[DB/OL]。〔2017年4月17日〕。https://www.kaggle.com/mlg-ulb/creditcardfraud。
[18] LAPTEV N，AMIZADEH S，FLINT I.自动化时间序列异常检测的通用和可扩展框架[C]//第21届ACM SIGKDD知识发现和数据挖掘国际会议论文集。纽约：ACM，2015:1939-1947。

基于融合时空数据的车辆加油行为多视图深度异常检测框架

基于时空数据融合的车辆加油行为多视图深度异常检测框架

PDF格式

可视化

摘要/摘要

引用本文

使用本文

参考文献

相关文章15

第二次会议

韵律学

[1]	谢德峰, 吉建民.融入句法感知表示进行句法增强的语义解析[J] ●●●●。，2021, 41(9): 2489-2495.
[2]	代雨柔, 杨庆, 张凤荔, 周帆.基于自监督学习的社交网络用户轨迹预测模型[J] ●●●●。，2021, 41(9): 2545-2551.
[3]	陈成瑞, 孙宁, 何世彪, 廖勇.面向C-V2X型通信的基于深度学习的联合信道估计与均衡算法[J] ●●●●。，2021, 41(9): 2687-2693.
[4]	郑志强, 胡鑫, 翁智, 王雨禾, 程曦.基于改进DenseNet公司的牛眼图像特征提取方法[J] ●●●●。，2021, 41(9): 2780-2784.
[5]	赵宏, 孔东一.图像特征注意力与自适应注意力融合的图像内容中文描述[J] ●●●●。，2021, 41(9): 2496-2503.
[6]	徐江浪, 李林燕, 万新军, 胡伏原.结合目标检测的室内场景识别方法[J] ●●●●。，2021, 41(9): 2720-2725.
[7]	胡天杰, 胡文军, 王士同.分布熵惩罚的支持向量数据描述[J] ●●●●。，2021, 41(8): 2212-2218.
[8]	何正海, 线岩团, 王蒙, 余正涛.融合句法指导与字符注意力机制的案情阅读理解方法[J] ●●●●。，2021, 41(8): 2427-2431.
[9]	曹玉红, 徐海, 刘荪傲, 王紫霄, 李宏亮.基于深度学习的医学影像分割研究综述[J] ●●●●。，2021, 41(8): 2273-2287.
[10]	秦斌斌, 彭良康, 卢向明, 钱江波.司机分心驾驶检测研究进展[J] ●●●●。，2021, 41(8): 2330-2337.
[11]	孟凡, 陈广, 王勇, 高阳, 高德群, 贾文龙.基于多粒度时序结构表示的异常检测算法在储层含油性检测中应用[J] ●●●●。，2021年，41（8）：2453-2459。
[12]	杜炎, 吕良福, 焦一辰.基于模糊推理的模糊原型网络[J] ●●●●。，2021, 41(7): 1885-1890.
[13]	李亚芳, 梁烨, 冯韦玮, 祖宝开, 康玉健.基于社区优化的深度网络嵌入方法[J] ●●●●。，2021, 41(7): 1956-1963.
[14]	侯笑晗, 金国栋, 谭力宁, 薛远亮.基于自适应和最优特征的合成孔径雷达舰船检测方法[J] ●●●●。，2021, 41(7): 2150-2155.
[15]	高钦泉, 黄炳城, 刘文哲, 童同.基于改进中心网络的竹条表面缺陷检测方法[J] ●●●●。，2021, 41(7): 1933-1938.