论文部分内容阅读
近年来,为了建模实际生活中普遍存在的非稳态时间序列,非同构动态贝叶斯网络被提出。非同构动态贝叶斯网络突破了动态贝叶斯网络中的同构限制,成为了概率图模型领域的研究热点。在利用非同构动态贝叶斯网络建模非稳态时间序列的过程中,转换点检测是一项必不可少的工作。已有的转换点检测工作未重视对可观测时间序列中转换点知识的挖掘,鉴于此,本文提出了一种发掘潜在转换点知识的算法APK-RJ-MCMC。APK-RJ-MCMC算法计算了每个时间点前后窗口中时间序列均值之间的欧氏距离,将其视为转换点的先验知识来估计该时间点作为转换点的概率,并加入到转换点采样过程的跳转动作中。通过调节转换点采样过程中新生、消去、切换动作的提议概率之比来调节动作的接受概率,从而使得拥有更大先验值的时间点拥有更大的被采样到的概率。本文在人工数据集和基因数据集上进行了实验,使用样本中真实转换点的出现频率来描述转换点的检测效果。实验结果表明,针对转换点的检测任务,本文所提出的APK-RJ-MCMC算法对比RJ-MCMC算法更加高效精准。在人工数据集上,APK-RJ-MCMC算法采样得到的真实转换点的出现频率较之APK-RJ-MCMC算法提高了16%,关于转换点分类的AUC分数提高了7%,在基因数据集上,上述两项指标则分别提高了21%,24%。除了探究非同构动态贝叶斯网络转换点检测技术,本文还将非同构动态贝叶斯网络应用于废气处理系统异常工况预测中。本文提出的异常工况预测方法可以分为四个阶段:原始数据的预处理阶段、回归模型的学习阶段、下一时刻废气排放浓度的预测阶段以及异常工况预警阶段。在预处理阶段,本文对数据进行删除无关操作变量、欠采样两项预处理操作,并检测了废气输出浓度时间序列的平稳性质;在学习阶段,本文基于非同构动态贝叶斯网络,构建了系统废气输出浓度与多影响因素之间随时间变化的回归模型,并将采样到的非同构动态贝叶斯网络的样本进行聚类,得到多组具有代表性的回归模型来表示不同工况机制下的模型;在预测阶段,本文利用朴素贝叶斯分类器将近期工况分类到所属后验概率最大的回归模型中,并利用该回归模型预测下一时刻系统的输出浓度;在预警阶段,本文设定了异常工况的划分规则,来判定上一阶段的预测是否为异常工况。实验结果表明,在废气输出浓度预测中,本文提出的方法较ARIMA模型与GLM模型,在平均绝对误差上分别降低了7.25,106.78,对异常工况的预测准确率分别提高了 10%,22%。