文献类型：期刊文章

作　　者：胡诗苑[1] 高金良[1] 钟丹[1] 武睿[2] 刘路明[3]

HU Shi‑yuan;GAO Jin‑liang;ZHONG Dan;WU Rui;LIU Lu‑ming(School of Environment,Harbin Institute of Technology,Harbin 150090,China;Guangdong Yuehai Water Investment Co.Ltd.,Shenzhen 518021,China;National Engineering Research Center of Urban Water Resources Co.Ltd.,Harbin Institute of Technology,Harbin 150090,China)

机构地区：[1]哈尔滨工业大学环境学院,黑龙江哈尔滨150090 [2]广东粤海水务投资有限公司,广东深圳518021 [3]哈尔滨工业大学水资源国家工程研究中心有限公司,黑龙江哈尔滨150090

出　　处：《中国给水排水》

基　　金：国家重点研发计划项目(2022YFC3203800);国家自然科学基金资助项目(51978203);黑龙江省重点研发计划项目(2022ZX01A06);揭榜制科研项目(CE602022000203)。

年　　份：2024

卷　　号：40

期　　号：3

起止页码：53-59

语　　种：中文

收录情况：AJ、BDHX、BDHX2023、CAS、CSCD、CSCD2023_2024、GEOBASE、JST、RCCSE、ZGKJHX、核心刊

摘　　要：随着信息化技术的发展,水务企业迎来了智慧化转型升级。数据采集与预处理作为水务企业实现智慧管理的重要前序步骤,为后续数据挖掘、运营管理、调度决策提供了基础。由于环境的影响、管网中的随机扰动、管网事故等原因,监测数据的质量问题广泛存在,因此寻求有效的供水管网流量监测数据的异常值检测方法至关重要。基于此,首先根据供水管网流量监测数据的基本特征和时间维度的相关性,将常见异常归纳为3个类型;其次,以东南沿海某市的真实小区流量监测数据为例,分别探究基于统计、密度和预测的Boxplot、LOF与Prophet异常值检测模型在不同类型异常数据检测中的性能。结果表明,Boxplot与LOF模型能够较准确地识别出异常数据,但Boxplot对异常的判断标准较宽泛,容易将部分非异常数据识别为异常点,Prophet对于不稳定性较高的流量数据识别效果有限。

关 键 词：流量监测数据  异常值检测  Boxplot  LOF PROPHET

分 类 号：TU991]