计算机应用

作者：陶涛, 周喜, 马博, 赵凡

单位：1. 中国科学院 新疆理化技术研究所, 乌鲁木齐 830011;2. 中国科学院大学, 北京 100049;3. 新疆理化技术研究所 新疆民族语音语言信息处理实验室, 乌鲁木齐 830011

关键词：加油站时序数据,深度学习,Seq2Seq,双向长短期记忆,异常检测

基金：新疆维吾尔自治区高层次人才引进工程资助项目（Y639401201）；中国科学院西部之光项目（2016-QNXZ-A-3）。

加油时序数据包含加油行为的多维信息，但是指定加油站点数据较为稀疏，现有成熟的数据异常检测算法存在挖掘较多假性异常点以及遗漏较多真实异常点的缺陷，并不适用于挖掘加油站时序数据。提出一种基于深度学习的异常检测方法识别加油异常车辆，首先通过自动编码器对加油站点采集到的相关数据进行特征提取，然后采用嵌入双向长短期记忆（Bi-LSTM）的Seq2Seq模型对加油行为进行预测，最后通过比较预测值和原始值来定义异常点的阈值。通过在加油数据集以及信用卡欺诈数据集上的实验验证了该方法的有效性，并且相对于现有方法在加油数据集上均方根误差（RMSE）降低了21.1%，在信用卡欺诈数据集上检测异常的准确率提高了1.4%。因此，提出的模型可以有效应用于加油行为异常的车辆检测，从而提高加油站的管理和运营效率。

来源：2019年第3期

《计算机应用》期刊编辑部

查看计算机应用杂志2019年第3期