面向多变量物联网时间序列异常检测的置信感知协同专家集成方法（CACE）

《Applied Sciences》：Size-Dependent Thermal Buckling Analysis of Functionally Graded Nanobeams Using a Fredholm Integral Solution Based on Eringen’s Nonlocal Elasticity Theory

　　

摘要

物联网（IoT）环境监测系统持续产生多变量传感器数据，其可靠性依赖于对异质异常行为的有效检测。本文提出了一种面向多变量物联网时间序列异常检测的置信感知协同专家集成（CACE）方法。CACE 将检测问题分解为四个专门化的专家库，分别针对尖峰、漂移、平线和 Dropout 异常。候选检测器通过奖励推导的加权与专家置信度估计相结合，同时选择性可靠性调节与类别平衡的逻辑协调器将互补证据整合到最终决策中。实验使用真实的温度、相对湿度和光照度测量数据，并结合受控异常注入，采用五个固定随机种子、九个传感器板流和三种异常负载条件。在低、中、高负载下，CACE 的逐点 F1 平均得分分别为 0.331、0.445 和 0.496，事件 F1 得分分别为 0.714、0.638 和 0.513。配对分析显示，在所有负载下，CACE 相对于单专家基线均有显著改进，而与更强的确定性、经典和深度基线的比较则揭示了方法相关的权衡，而非统一的优势。消融实验证实了各专业专家之间的互补贡献，敏感性分析表明大多数参数对中等扰动的鲁棒性。在树莓派 5 上，完整的端到端流程每个样本需要 0.01283 毫秒，对应约 77,994 样本/秒，且未发生热节流。这些结果表明，CACE 为物联网边缘端的异质异常检测提供了一种可解释且计算轻量化的协同框架。