884 / 2023-10-27 18:09:04

时序多变量数据潜在异常模式演化可视分析

我们设计了一套完整的可视分析流程，探索时序多变量数据中潜在的异常模式演化。首先对数据进行异常检测将数据中的常规和异常值进行分离，结合聚类算法提取常规模式及聚类簇中心点；然后结合异常点与聚类簇中心点的距离关系，将异常点归入常规模式，并采用t-SNE进行降维。为了消除不同降维空间对演化分析的影响，我们采用正交普氏分析进行对齐操作。最后提供多个联动的可视化视图，帮助用户完成模式演化分析的任务。我们比较了每个步骤中多种可用方法在不同评价指标下的性能，并选择性能最佳的方法来使用。系统的数据分析部分使用Python语言撰写，前端界面使用数据可视化工具D3.js和数据可视化图表库Echarts搭建，通过融合机器学习方法与数据可视分析手段，实现常规模式提取与异常检测、时序多变量数据演化规律感知以及基于特征的异常原因可解释探索。