偷电数据集异常检测

---

前言

偷电数据集异常检测

---

本文是阅读《Wide & Deep Convolutional Neural Networks for
Electricity-Theft Detection to Secure Smart Grids
》的笔记

一、数据预处理

1. 插值法处理空数据
   $$f(x_i)=\{\begin{array}{ll}\frac{x_{i-1}+x_{i+1}}{b+1}& x_i\in NaN,x_{i-1},x_{i+1}\notin NaN\\ 0& x_i\in NaN,x_{i-1}\text{ or }{x}_{i+1}\in NaN\\ x_i& x_i\notin NaN\end{array}$$
2. 3 $\sigma$ 原则处理异常值
   $$f(x_i)=\{\begin{array}{ll}agv(x)+2\cdot std(x)& \text{if }{x}_i>agv(x)+2\cdot std(x)\\ x_i& \text{otherwise}\end{array}$$
3. 标准化数据
   $$f(x_i)=\frac{x_i-min(x)}{max(x)-min(x)}$$

二、Wide & Deep CNN

1.Wide component:

全连接网络
输入数据：一维时间序列
输出数据：一维
激活函数：ReLu

2.Deep CNN

输入数据：将一维数据按照一周7天（七条数据）进行切割。
卷积核：特定卷积核，文章中没有交代为什么这样设计。
输出数据：1维

3.结合

将wide component 和Deep cnn 输出的结果，经过加权求和，得到结果。
损失函数：logistic loss

---

总结

利用Wide & Deep CNN 对传统CNN的结果进行了优化。

参考文献：
【1】Z. Zheng, Y. Yang, X. Niu, H.-N. Dai, and Y. Zhou, “Wide and deep
convolutional neural networks for electricity-theft detection to secure
smart grids,” IEEE Transactions on Industrial Informatics, vol. 14, no. 4,
pp. 1606–1615, 2017.