检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

一种时序数据模式演化的跟踪与查询方法

计算机研究与发展 2022年第9期59卷 1869-1886页

作者：赵鑫万英格刘英博清华大学软件学院北京100084 工业大数据系统与应用北京市重点实验室(清华大学) 北京100084

在物联网与大数据应用蓬勃发展的背景下,各类感知设备产生海量的时序数据,设备管理软件版本的快速迭代导致时序数据的模式演化问题日益凸显.模式演化要求对数据模式进行版本管理,使数据进行模式变更时不产生信息损失,且支持对数据跨模... 详细信息

在物联网与大数据应用蓬勃发展的背景下,各类感知设备产生海量的时序数据,设备管理软件版本的快速迭代导致时序数据的模式演化问题日益凸显.模式演化要求对数据模式进行版本管理,使数据进行模式变更时不产生信息损失,且支持对数据跨模式版本进行读写操作.结合流行的时序数据库管理系统,调研总结了各类数据库管理系统对模式演化的支持情况,对时序数据及其模式进行了形式化表述,对其模式演化的过程进行了分析,设计了一种面向时序数据的模式演化跟踪及查询方法,形式化表达了模式跟踪及跨模式版本查询的整体框架与关键步骤,并在时序数据库Apache IoTDB上进行了实现与测试.最后,分析了实现系统的性能,并展望了未来研究方向.

关键词：时序数据库时序数据模式演化多模式版本数据查询重写

基于GEE平台与Sentinel-NDVI时序数据江汉平原种植模式提取

在线全文

学校读者我要写书评

暂无评论

农业工程学报 2022年第1期38卷 196-202页

作者：张紫荆华丽郑萱李嘉麟华中农业大学资源与环境学院武汉430000 北京大学深圳研究生院城市规划与设计学院深圳518000

快速精准地掌握作物种植模式信息对于农业产能评估、区域种植结构平衡和国家粮食安全保障具有重要的战略意义。然而,目前尚缺乏高精度、大范围、涵盖复杂种植模式的空间数据集。因此,本研究以中国南方重要的产粮地之一江汉平原为例,基于... 详细信息

快速精准地掌握作物种植模式信息对于农业产能评估、区域种植结构平衡和国家粮食安全保障具有重要的战略意义。然而,目前尚缺乏高精度、大范围、涵盖复杂种植模式的空间数据集。因此,本研究以中国南方重要的产粮地之一江汉平原为例,基于GEE平台和Sentinel-NDVI数据,构建时序物候特征集,通过探究半自动提取大量样本的方法,对比多粒度级联森林(multi-grained cascade Forest,gcForest)与深度神经网络(Deep Neural Network,DNN)两种深度模型分类精度,对江汉平原5种作物类型的6种种植模式进行精细识别与制图研究。结果表明:1)江汉平原主要包括单季稻、莲藕两种单季种植作物;小麦-水稻/棉花、油菜-水稻/棉花等4种年内复种模式;2)基于半自动采样点(4 000个)的gc Forest模型总体精度最高,可达到87.25%;两种模型基于4000个采样点的分类精度相较基于400个实地采样点分别有8.08和5.5个百分点的提升,该半自动提取样本点的途径可有效提高分类精度。该研究证明,基于物候的Sentinel-NDVI数据在复杂农业景观区域的作物种植模式制图中有较大潜力。

关键词：模型时序数据半自动提取种植模式

一种采用串行自编码器的时序数据异常检测方法

在线全文

学校读者我要写书评

暂无评论

控制与决策 2023年第12期38卷 3507-3515页

作者：徐天慧郭强张彩明山东财经大学计算机科学与技术学院济南250014 山东财经大学山东省数字媒体技术重点实验室济南250014 山东省未来智能金融工程实验室山东烟台264005 山东大学软件学院济南250101

基于深度学习的时序数据异常检测模型大多采用循环神经网络或长短期记忆网络捕捉时序依赖性,并利用自编码器重构数据,进而实现时序数据的异常检测.虽然此类检测模型实现了较高的异常检测率,但它们的网络结构复杂,导致模型的计算效率较低... 详细信息

基于深度学习的时序数据异常检测模型大多采用循环神经网络或长短期记忆网络捕捉时序依赖性,并利用自编码器重构数据,进而实现时序数据的异常检测.虽然此类检测模型实现了较高的异常检测率,但它们的网络结构复杂,导致模型的计算效率较低.为提高模型的计算效率,提出一种基于串行自编码器的异常检测模型SAE-AD.该模型仅包含两个结构简单的自编码器(AE_(1)和AE_(2)),其所含参数较少,且训练目标较为简单,从而加快了模型的计算效率.通过将自编码器AE_(1)和AE_(2)串行拼接,即AE_(1)的输出作为AE_(2)的输入,可有效提高AE_(2)的解码器对正常数据特征的解码能力,有助于提升模型的检测准确率.实验结果表明,相较于其他新近提出的异常检测模型,SAE-AD模型具有更高的精确率、召回率和F_(1)值.

关键词：深度学习时序数据异常检测自编码器数据重构编码器解码器

在线全文

学校读者我要写书评

暂无评论

时序数据库关键技术综述

计算机研究与发展 2024年第3期61卷 614-638页

作者：刘帅乔颖罗雄飞赵怡婧王宏安中国科学院大学计算机科学与技术学院北京100049 人机交互北京市重点实验室(中国科学院软件研究所) 北京100190

随着工业物联网(industrial Internet of things,IIoT)的不断发展,越来越多的设备和传感器开始连接到网络中,产生了大量的时间序列数据(简称“时序数据”),时序数据爆炸式的增长给数据库管理系统带来了新的挑战:持续高吞吐量数据摄取、... 详细信息

随着工业物联网(industrial Internet of things,IIoT)的不断发展,越来越多的设备和传感器开始连接到网络中,产生了大量的时间序列数据(简称“时序数据”),时序数据爆炸式的增长给数据库管理系统带来了新的挑战:持续高吞吐量数据摄取、低延迟多维度数据查询、高性能时间序列索引以及低成本数据存储.近年来时序数据库技术已经成为一个研究热点,一些学者对时序数据库技术进行了深入的研究,同时出现了一些专门用于管理时序数据的时序数据库,并且已经被应用在多个领域,成为工业物联网中不可缺少的关键组成.现有的时序数据库相关综述侧重于时序数据库的功能和性能比较,以及在特定领域中对时序数据库的选择建议,缺少对时序数据库持久化存储、查询、计算和索引等关键技术的研究,同时这些综述工作出现的时间较早,缺少对现代时序数据库关键技术的研究.对学术界时序数据存储研究和工业界时序数据库进行了全面的调查和研究,凝练了时序数据库的4类关键技术:1)时间序列索引优化技术;2)内存数据组织技术;3)高吞吐量数据摄取和低延迟数据查询技术;4)海量历史数据低成本存储技术.同时分析总结了时序数据库评测基准.最后,展望了时序数据库关键技术在未来的发展方向.

关键词：工业物联网时序数据时序数据库时序数据压缩时序数据存储

基于Sentinel1A双极化时序数据的甘蔗株高反演方法

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2022年第2期53卷 186-194页

作者：孙盛刘立露胡忠文余旭广东工业大学计算机学院广州510006 深圳大学自然资源部大湾区地理环境监测重点实验室深圳518000 广东工业大学土木与交通工程学院广州510006

甘蔗株高为甘蔗品种与土壤、气象、水文等因素的综合反映,是甘蔗长势监测与估产的重要指标。研究以华南地区气候与天气条件为基础,通过对覆盖甘蔗全生长期的23景时间序列Sentinel1A数据进行预处理、矩阵转换与CloudePottier分解,求得双... 详细信息

甘蔗株高为甘蔗品种与土壤、气象、水文等因素的综合反映,是甘蔗长势监测与估产的重要指标。研究以华南地区气候与天气条件为基础,通过对覆盖甘蔗全生长期的23景时间序列Sentinel1A数据进行预处理、矩阵转换与CloudePottier分解,求得双极化雷达植被指数(Dual-pol radar vegetation index,DPRVI)。分析了该指数与甘蔗长势参数(株高)随甘蔗不同生长期的动态变化规律。采用4种经典的经验回归模型(线性、二次多项式、指数、对数),以分段函数形式对不同生长期的甘蔗株高进行反演,建立最佳反演模型。实验结果表明,拟合模型在分蘖期前相关性最高,二次多项式模型拟合效果最优,决定系数R^(2)与均方根误差分别达到了0.882与0.118 cm,对反演效果最好的分蘖期之前的二次函数模型进行验证,结果表明决定系数R^(2)达0.839,平均绝对偏差为7.4%,说明DPRVI反演甘蔗株高是有效的。将DPRVI与其他3种经典的反演参数进行对比,结果表明,DPRVI的性能优于其他3种参数。通过分析可得,DPRVI可以较好地反演甘蔗生长前期的株高变化,反演的株高参数可供农业管理部门参考。

关键词：时序数据 Sentinel1A 甘蔗株高反演双极化雷达植被指数

基于时空滤波Sentinel-1时序数据的田块尺度岭南作物分布提取

在线全文

学校读者我要写书评

暂无评论

农业工程学报 2022年第5期38卷 158-166页

作者：钱丽沙姜浩陈水森李丹王重洋陈金月代雪梅中国科学院广州地球化学研究所广州510640 广东省科学院广州地理研究所广东省遥感与地理信息系统应用实验室广东省地理空间信息技术与应用公共实验室广东省遥感大数据应用工程技术研究中心广州510070 中国科学院大学北京100049

为解决岭南地区作物制图中光学影像时空覆盖缺失以及作物种植结构复杂导致不确定性高等问题,以满足对高精度作物制图日益迫切的应用需求。该研究提出了一种基于Sentinel-1的双极化时间序列和作物物候信息建立时空维度典型物候特征的作... 详细信息

为解决岭南地区作物制图中光学影像时空覆盖缺失以及作物种植结构复杂导致不确定性高等问题,以满足对高精度作物制图日益迫切的应用需求。该研究提出了一种基于Sentinel-1的双极化时间序列和作物物候信息建立时空维度典型物候特征的作物分类方法,选择广州市南沙区为试验区,通过XGBoost机器学习算法,实现了田块尺度下的不同作物类型的准确识别及种植面积的精细提取。结果表明:1)相比像素时序特征分类结果,经过雷达时空滤波后的田块时序特征分类方法不仅能有效抑制合成孔径雷达(Synthetic Aperture Radar,SAR)影像斑点噪声产生,而且总体分类精度和Kappa系数分别提高了12.5个百分点、0.19;2)与仅基于Sentinel-1(VV+VH)时空滤波后的全年时序特征分类方法相比,在分类过程中添加物候特征变量的方法表现出更高的精度,Kappa系数可达0.91,甘蔗和香蕉播种面积提取精度分别达到82.04%和71.01%。研究结果表明中高分辨率SAR影像(10 m×10 m)时间序列结合XGBoost算法和雷达数据时空滤波策略可实现区域作物准确识别及种植面积提取,同时,可从数据源与分类方法上为岭南地区农业遥感应用提供思路,对该地区农业灾害管理和灾后救助具有重要参考价值。

关键词：遥感作物时序数据物候特征时空滤波田块尺度

在线全文

学校读者我要写书评

暂无评论

时序数据多维聚合查询服务的实现

重庆大学学报（自然科学版） 2020年第7期43卷 121-128页

作者：盛家房俊郭晓乾王承栋北方工业大学大规模流数据集成与分析技术北京市重点实验室北京100144 北方工业大学数据工程研究院北京100144

随着电能质量监测点不断扩大,产生海量具有时序特性的多维电能质量数据,当前的诸多数据查询方法不能适应电网电能质量监测数据的交互式多维聚合查询需求。研究提出时序数据多维聚合服务的实现方法,为内存中预聚合后的任务结果建立哈希... 详细信息

随着电能质量监测点不断扩大,产生海量具有时序特性的多维电能质量数据,当前的诸多数据查询方法不能适应电网电能质量监测数据的交互式多维聚合查询需求。研究提出时序数据多维聚合服务的实现方法,为内存中预聚合后的任务结果建立哈希存储结构,对实时数据建立位图索引存储结构,将历史数据的预聚合数据尽量存储于内存中,改进随机读写的低性能问题,提升查询效率,解决交互式查询问题。同时运用最优聚合任务算法选择出尽量多的预聚合任务数,提高交互式查询命中率。实验验证了该算法的可行性,与分组二维背包算法相比,在预聚合任务数量选择方面具有一定优势。

关键词：时序数据聚合查询预聚合交互式查询

在线全文

学校读者我要写书评

暂无评论

时序数据异常检测方法研究

时序数据异常检测方法研究

作者：徐天慧山东财经大学

学位级别：硕士

时序数据通常含有一些不符合预期模式的异常。精准、全面、低时延地检测异常有助于提取重要信息并及时地处理异常。时序数据的异常检测是数据挖掘领域的重要研究问题之一,已被广泛应用于网络流量异常检测、工业故障检测和交易欺诈检测... 详细信息

时序数据通常含有一些不符合预期模式的异常。精准、全面、低时延地检测异常有助于提取重要信息并及时地处理异常。时序数据的异常检测是数据挖掘领域的重要研究问题之一,已被广泛应用于网络流量异常检测、工业故障检测和交易欺诈检测等领域。时序数据的异常检测方法可大致分为两类:传统的基于邻近度的方法和基于深度学习的方法。基于邻近度的方法主要利用数据分布的概率密度比来度量时间子序列间的邻近度以捕捉时序异常。基于深度学习的方法大多采用循环神经网络或长短期记忆网络来捕捉时序依赖性,并利用自编码器以重构数据,进而根据重构误差的大小实现异常检测。虽然这两类方法均实现了较高的异常检测率,但是仍存在检测时延较长、计算效率较低和鲁棒性较低的问题。为缓解这些问题,本文分别对这两类时序数据的异常检测方法进行研究,主要贡献如下:(1)针对传统的基于邻近度的方法检测时延较大和计算复杂度较高的问题,提出一种基于全变分比分隔距离的检测方法(TVRSE-AD)。采用全变分提取序列波动特征,进而计算全变分比分隔距离度量序列的邻近度。该距离的计算可避免复杂的参数估计,有助于提高方法的计算效率,并降低方法的检测时延。针对噪声干扰问题,引入相对全变分以进一步增强方法的鲁棒性和检测准确度。实验结果表明,TVRSE-AD方法在检测精度、时延以及计算效率三个方面均具有较好的表现。(2)针对基于深度学习的方法中网络所含参数较多导致方法计算效率较低的问题,提出一种基于串行自编码器的异常检测方法(SEAE-AD)。该方法含有两个自编码器(AE和AE),其结构简单且所含参数较少,较少的参数加快了方法的训练和推理速度。此外,通过将AE和AE串行拼接,即AE的输出作为AE的输入,提高AE的解码器对正常数据特征的解码能力,有助于提升方法的检测准确率。实验结果表明,相较于其他新近提出的异常检测方法,SEAE-AD方法取得了更高的精确率、召回率和F1值以及更快的推理速度。本文采用TVRSE-AD方法计算子序列之间的邻近度,实现高效的异常检测。当数据维度和数据量较大时,描述数据分布的难度加大,导致该方法的异常检测率和计算效率降低。为此,SEAE-AD方法借助神经网络较强的特征提取和数据表示能力,有效提高了检测性能。本文为时序数据的异常检测领域提供了两种较为有效的方法,并为后续工作提供一定的研究思路。

关键词：时序数据异常检测概率密度神经网络自编码器

基于GEE和Sentinel-2时序数据的呼伦贝尔沙地及其周边植被类型识别研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

遥感技术与应用 2022年第4期37卷 982-992页

作者：杨仙保张王菲孙斌高志海李毅夫王晗西南林业大学地理与生态旅游学院云南昆明650224 中国林业科学研究院资源信息研究所北京100091 国家林业和草原局林业遥感与信息技术重点实验室北京100091

沙地及其周边植被对固定沙丘、防止水土流失和环境治理等方面具有重要作用,开展沙地及其周边植被类型识别研究对于客观地反映沙地及其周边的生态环境,进而为沙地恢复治理政策制定具有重要意义。GEE云平台丰富的长时间序列遥感数据和强... 详细信息

沙地及其周边植被对固定沙丘、防止水土流失和环境治理等方面具有重要作用,开展沙地及其周边植被类型识别研究对于客观地反映沙地及其周边的生态环境,进而为沙地恢复治理政策制定具有重要意义。GEE云平台丰富的长时间序列遥感数据和强大的云计算能力,为开展大区域植被类型识别提供了便捷。本研究基于GEE云平台存储的2019年Sentinel-2时序数据,采用RF算法开展呼伦贝尔沙地及其周边主要植被类型的空间判识研究,探索了GEE平台下顾及植被物候信息的植被类型识别效果。研究发现:(1)Sentinel-2影像的光谱信息和近红外波段的纹理信息对研究区的主要植被类型识别能力有限,而物候特征有效地弥补了原始光谱特征等对研究区不同植被类型区分能力的不足;(2)基于RF算法顾及物候特征的植被类型识别精度达到84.37%,Kappa系数为0.8,比单一时相数据的识别精度提高了10.01%;(3)呼伦贝尔沙地及其周边主要植被类型的物候特征差异明显,有助于不同类型植被的空间识别,特别是提高了灌草丛和草原的识别精度。研究表明利用Sentinel-2数据和GEE云平台对沙地等大区域植被类型的识别具有较大的潜力和广阔的应用前景。

关键词： GEE Sentinel-2 时序数据呼伦贝尔沙地植被类型识别