灰狼优化算法与生成对抗网络在时间序列异常检测中的协同优化研究
Journal: Engineering and Management Science DOI: 10.12238/ems.v6i5.7780
Abstract
随着大数据时代的到来，时间序列数据广泛存在于各个领域中，如金融交易、医疗监控、工业制造等。在这些应用中，时间序列异常检测成为了一个至关重要的任务，因为它能够及时发现异常事件，从而预防潜在的风险和损失。然而，时间序列数据通常具有复杂性和不确定性，使得异常检测任务变得极具挑战性。为了应对这一挑战，研究者们不断探索新的方法和算法来提高异常检测的准确性和效率。针对时间序列异常检测任务，我们提出了一种基于灰狼优化算法和生成对抗网络的协同优化框架。在该框架中，灰狼优化算法被用于优化生成对抗网络中的关键参数，如网络结构和权重等，以提高其生成和判别时间序列数据的能力。同时，生成对抗网络则负责生成模拟的时间序列数据，并用于训练异常检测模型。通过实验验证，我们证明了所提框架在异常检测任务中的有效性。与传统的异常检测方法相比，我们的方法能够在更短的时间内发现更多的异常事件，并且具有更高的准确率。
Keywords
灰狼优化算法；生成对抗网络；时间序列异常
Full Text
PDF - Viewed/Downloaded: 0 TimesReferences
[1] Chen，Z.，Zhu，Y.，& Wang，S."A Hybrid Grey Wolf Optimizer and Convolutional Neural Network for Fault Diagnosis of Wind Turbine Gearbox." Measurement，2020，151：107164.
[2] Wang，G.，Li，G.，Wang，Z.，Zhang，Y.，& Song，Q."Time Series Anomaly Detection via Grey Wolf Optimizer-Based Autoencoder." IEEE Access，2021，9：11545-11557.
[3] 周亚，庞俊.基于生成对抗网络的多变量时间序列异常检测[J].第23届ACM SIGKDD国际知识发现与数据挖掘会议论文集，2017：695-704.
[4] 王刚，李国栋，王志鹏，张杨，宋青.基于灰狼优化器-自编码器的时间序列异常检测[J].IEEE Access，2021，9：15-17.
[2] Wang，G.，Li，G.，Wang，Z.，Zhang，Y.，& Song，Q."Time Series Anomaly Detection via Grey Wolf Optimizer-Based Autoencoder." IEEE Access，2021，9：11545-11557.
[3] 周亚，庞俊.基于生成对抗网络的多变量时间序列异常检测[J].第23届ACM SIGKDD国际知识发现与数据挖掘会议论文集，2017：695-704.
[4] 王刚，李国栋，王志鹏，张杨，宋青.基于灰狼优化器-自编码器的时间序列异常检测[J].IEEE Access，2021，9：15-17.
Copyright © 2024 杨瑞
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License