.png){kind=icon}
返回
MENDER: Multi-dimensional Time Series Data Cleaning Based on Dynamic Patterns
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-3462-3_1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
描述同一场景或对象的多元时间序列数据通常表现出演变的多维相关性和单维时序依赖性。利用这些动态模式可以提高数据清洗的准确性。然而，现有方法往往难以捕捉和利用这些特性，特别是在紧密相关且时序依赖的多元时间序列中，导致检测和修复效果欠佳。针对这一问题，我们提出Mender，一种基于动态模式的多元时间序列数据清洗新框架，该框架利用相关系数捕捉多维间的相互影响，沿各维度进行时序建模，并通过滑动窗口机制动态执行高效的错误检测与修复。具体而言，Mender包含检测和修复两个模块：检测阶段通过比较不同窗口下的维度间相关性，并结合各维度速度变化率的稳定性来识别错误；修复过程将随时间变化的多维相关性建模为跨维影响和贡献，构建修复候选集，再通过聚类优化策略确定最终修复值。在真实数据集上的实验表明，Mender相较于现有方法能实现更高的错误检测准确率，且生成的修复值更接近真实值。
Keyword:
Multi-dimensional time series
Data cleaning
Dynamic patterns
期刊
A
IF:
0
论文数:
29
被引数:
0
机构
引用论文
分享收藏USAD.png)
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
OAAI
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏
查看更多内容