지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 강필성
- 발행연도
- 2022
- 저작권
- 고려대학교 논문은 저작권에 의해 보호받습니다.
이용수2
이 논문의 연구 히스토리 (3)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
Anomaly detection in time series is essential because it can detect outlying patterns such as a breakdown in machines and fraudulent customers. Among many anomaly detection domains, detecting abnormal patterns in energy consumption is used to detect technical breakdown in factories, general buildings, or energy theft in households. To overcome the limitations of previous studies, this paper suggests WaDGAN-AD, which
combines generative adversarial network (GAN) and Long Short-Term Memory (LSTM) and applies two structural improvements. WaDGANAD has stacked discriminator LSTM layers to more precisely learn feature representations of time series data. Also, it has different numbers of hidden units in each hidden layer of LSTM to consider multiple cycles appearing in a single time-series data. Therefore, it is named as ‘Wider and Deeper GAN ? Anomaly Detection’ which is abbreviated as WaDGAN-AD. Experimental results based on synthetic datasets and real datasets show that WaDGAN-AD can better detect abnormal energy consumption than benchmark methods.
combines generative adversarial network (GAN) and Long Short-Term Memory (LSTM) and applies two structural improvements. WaDGANAD has stacked discriminator LSTM layers to more precisely learn feature representations of time series data. Also, it has different numbers of hidden units in each hidden layer of LSTM to consider multiple cycles appearing in a single time-series data. Therefore, it is named as ‘Wider and Deeper GAN ? Anomaly Detection’ which is abbreviated as WaDGAN-AD. Experimental results based on synthetic datasets and real datasets show that WaDGAN-AD can better detect abnormal energy consumption than benchmark methods.
목차
1 서론 .............................................................................. 12 선행 연구 ...................................................................... 52.1 전력 분야 이상치 탐지 방법론 ............................... 52.2 비전력 분야 이상치 탐지 방법론............................ 83 제안 방법론 ................................................................. 113.1 주요 네트워크.......................................................113.2 입력 데이터 생성..................................................123.3 제안 모델..............................................................134 실험 및 결과 ............................................................... 224.1 데이터셋 설명.......................................................224.1.1 인공 데이터셋 .............................................224.1.2 대학 캠퍼스 데이터셋 .................................244.1.3 이상치 생성 및 모델 학습 환경 ..................264.2 성능 평가 지표 .....................................................284.3 실험 결과..............................................................294.3.1 인공 데이터셋 결과 ....................................294.3.2 대학 캠퍼스 데이터셋 결과 ........................324.3.3 GAN 의 타당성을 증명한 실험 결과 ...........345 결론 및 향후 연구 ....................................................... 36참고 문헌 ......................................................................... 37
최근 본 자료
댓글(0)
0