.png){kind=icon}
返回
Multivariate functional data analysis and machine learning methods for anomaly detection in water quality sensor data
.png){kind=icon}
PRE
AI
DOI：10.1016/j.envsoft.2025.106443.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
可靠的异常检测对水资源管理至关重要，但环境传感器数据的复杂性带来了挑战，尤其是在水质分析中标签数据有限的情况下。函数型数据在异常检测领域取得了显著进展，但大多数应用集中于无标签数据集。本研究评估了多元函数型数据分析的性能，并将其与当前机器学习模型进行比较，以检测西班牙埃布罗河四个监测站点18年专家标注数据中的水质异常。我们提出并验证了一个包含新振幅指标和非参数离群点检测器的多元函数型模型（多元幅度、形状和振幅模型，简称MMSA）。此外，还开发了一种基于随机森林的机器学习架构，用于相同目的，采用了滑动窗口和数据平衡技术。随机森林模型表现最佳，平均F1得分为93%，而MMSA在异常数据或标签有限的情况下表现出稳健性。
Keyword:
Water quality
Sensor data
Functional data analysis
Supervised machine learning
Anomaly detection
期刊
E
IF:
4.6
论文数:
511
被引数:
1.8W
机构
引用论文
.png){kind=icon}
Intercomparison Exercise for Gases Emitted by a Cement Industry in Spain: A Functional Data Approach
OAAI
OAAI分享收藏分享收藏
查看更多内容