杠板归流数据挖掘与在线学习.pptx

文档介绍：该【杠板归流数据挖掘与在线学习 】是由【科技星球】上传分享，文档一共【31】页，该文档可以免费在线阅读，需要了解更多关于【杠板归流数据挖掘与在线学习 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。,不同时间点的归流数据之间存在强关联性。、周期性以及长期趋势等时序规律,需要采用时序分解和趋势预测等时序建模技术进行分析。,可以提取杠板归流数据的趋势、周期和噪声成分,为后续归流预测和优化提供了基础。,原因包括仪器故障、数据传输中断等。缺失值的存在会影响数据分析和建模的准确性。,可以使用插值或平均值填充缺失值。,需要采用更复杂的缺失值估计方法,如卡尔曼滤波或多元插值等,以提高填充准确度。,可以简化数据分析和建模的复杂度,并提高模型的鲁棒性。,包括等频分箱、等距分箱和自适应分箱等。,并为后续特征工程提供基础。,直接使用原始数据进行建模会影响模型的收敛速度和预测精度。,消除量纲差异的影响。-最大归一化、零均值归一化和标准化等。,其中可能存在冗余和无关的特征。,提高模型的泛化能力和预测准确度。,包括过滤式特征选择、嵌入式特征选择和包裹式特征选择等。,会增加模型的计算复杂度和训练时间。,同时保留数据的关键信息。,将具有相似特征的杠板归为同一组。,识别出与组内其他杠板显著不同的异常杠板。,对异常杠板进行分析,找出造成异常的原因,如杠板损坏、归流路径异常等。,如高维度、数据量大等,选择合适的聚类方法。-means、层次聚类、密度聚类等,各有其优缺点,需要根据具体场景选择。,如轮廓系数、Calinski-Harabasz指数等,评估聚类结果的合理性。。,赋予关键属性更高的权重。,将相似度高的杠板归为同一组。,根据杠板与组内其他杠板的相似度,判断杠板是否异常。,计算杠板与组内平均相似度的差值或比值。,如散点图、平行坐标图等,辅助识别异常模式。,分析异常杠板的归流路径、归流时间等特征。,找出与异常归流相关的因素,如杠板损坏、归流路径堵塞等。,如维修杠板、疏通归流路径等,确保杠板归流的正常进行。,聚类模型和异常检测阈值需要动态更新。,在新的数据到达后增量更新模型,保持模型的鲁棒性和准确性。,必要时重新训练模型,以适应杠板归流数据的变化。