CN119475180A 一种基于深度学习的自动检测数据异常值的数据治理方法 （湖北华中电力科技开发有限责任公司）

司一种基于深度学习的自动检测数据异常值基于深度学习的自动检测数据异常值的数据治性和质量，利用对特征的提取与模型的逐层训2基于所述异常数据学习模型，对数据集进行异常检测，分析数2.根据权利要求1所述的基于深度学习的自动检测数据异常值的数据治理方法，其特3.根据权利要求1所述的基于深度学习的自动检测数据异常值的数据治理方法，其特基于所述数据同步结果，识别缺失项并进行数据填充，识别离群数4.根据权利要求1所述的基于深度学习的自动检测数据异常值的数据治理方法，其特基于所述预处理数据集，对输入数据进行特征提取和转换，通35.根据权利要求1所述的基于深度学习的自动检测数据异常值的数据治理方法，其特基于所述异常数据学习模型，对模型输入数据，通过计算多个基于所述概率密度估计结果，结合数据点间的邻域相似度，对6.根据权利要求5所述的基于深度学习的自动检测数据异常值的数据治理方法，其特7.根据权利要求1所述的基于深度学习的自动检测数据异常值的数据治理方法，其特基于所述异常评分结果，根据多个数据点的异常分数，调整阈根据所述阈值设置调整记录，对多个数据点的异常评分进行对比8.根据权利要求1所述的基于深度学习的自动检测数据异常值的数据治理方法，其特基于所述数据检测记录，对异常数据点进行相似性分析，并根据特4基于所述异常数据聚类结果，对多个聚类进行时间序列分析，基于所述异常趋势分析结果，分析并识别影响数据异常的变化9.根据权利要求8所述的基于深度学习的自动检测数据异常值的数据治理方法，其特i指单个因素在特定时间点的观测值，用于计算与异常数据相关性的个体数据基于所述趋势评估信息，对多种异常类型进行分析，识别异常基于所述异常原因分析结果，对识别的错误原因进行逻辑验证，基于所述待校正数据标记，根据业务规则和逻辑要求，对异常数据567对于点d(xi)的相对密度贡献，表示标准化8示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限9[0078]在S201子步骤中，通过使用多种算法对预处理数据集中可以用于监控电力需求和供应的周期性变化，及时发现可能导致供电不稳定的异常模式，失函数的梯度计算结果为0.05；识别。[0110]d(xi)为数据集中其他数据点的残差值，对数据集中的每个数据点执行与d(x)相[0113]K为高斯核函数，用于计算不同残差值间的权重贡献，估计概率密度，K(U)-[0130]计算结果p(d(x))≈0.133表示当前数据点式S=⃞1(X-T)2,计算评分超出阈值的总差决策树分析法来识别异常的根本原因，调查过程中收集相关数据的输入路径和历史记录，常数据聚类结果用于识别数据中潜在的模式和异常行为的列特性，通过计算各时间点的数据与前几个时间点数据的线性组合及随机误差的加权和，[0158]公式用于计算异常数据聚类结果中多个聚类与时间的相关性，通过相关性系数r进行必要的调整和修正，使用数据清洗技术和约束满足编程确保数据值和关系的正确性，本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施