基于t-LeNet与时间序列分类的窃电行为检测

马晓琴 薛晓慧 罗红郊 刘通宇 袁培森

摘要：窃电行为是导致电力企业电能与经济效益损失的重要原因.提出了一种基于t-LeNet（Time-Series Specific Version of LeNet Model）与时间序列分类（Time Series Classification， TSC）的窃电行为检测方法： 首先，获取用户用电量时序数据，使用降采样方法生成训练集;然后，使用t-LeNet神经网络训练并预测 得到分类结果，判断用户是否存在窃电行为.使用国家电网真实用户的用电量数据集进行了实验验证. 实验结果表明，所提方法相较于基于 Tim&CNN（Time Convolutional Neural Network）、MLP（Muti-Layer Perception）的时间序列分类方法，在综合评价指标、精确率、召回率指标上均有不同程度提高，其对窃电 行为的检测具有可行性与有效性.

关键词：时间序列分类;t-LeNet;窃电检测

中图分类号：TP391       文献标志码：A DOI： 10.3969/j.issn.1000-5641.2021.05.010

Electricity theft detection based on t-LeNet and time series classification

MA Xiaoqin1， XUE Xiaohui1， LUO Hongjiao1， LIU Tongyu2， YUAN Peisen2

（1. Information and Communication Company， State Grid Qinghai Province Electric Power Company，

Xmmg 810008 China;

2. College of Artificial Intelligence， Nanjing Agricultural University， Nanjing 210095， China）

Abstract： Electricity theft results in significant losses in both electric energy and economic benefits for electric power enterprises. This paper proposes a method to detect electricity theft based on t-LeNet and time series classification. First， a users power consumption time series data is obtained， and down-sampling is used to generate a training set. A t-LeNet neural network can then be used to train and predict classification results for determining whether the user exhibits behavior reflective of electricity theft. Lastly， real user power consumption data from the state grid can be used to conduct experiments. The results show that compared with the time series classification method based on Time-CNN （Time Convolutional Neural Network） and MLP （Muti-Layer Perception）， the proposed method offers improvements in the comprehensive evaluation index， accuracy rate， and recall rate index. Hence， the proposed method can successfully detect electricity theft.

Keywords： time series classification; t-LeNet; electricity theft detection

0引 言

随着互联网的兴起，近年来以大数据和物联网技术为代表的技术进一步推动了金融机构数字化 转型.通过对金融相关数据的管理、分析与挖掘，促进金融与相关技术的深度融合，数据智能成为推动相关企业提升服务质量、降低经营成本的关键要素[1].智能化金融监管是“金融数智化”的重要课题; 利用人工智能等技术进行交易欺诈检测是一个研究热点[2];借助机器学习技术检测异常的活动或交易 行为，能够克服传统的、依赖复杂且不灵活规则的金融欺诈检测方法的缺陷，为金融行业智能化监管 提供技术支持[3].

电力企业关乎国计民生，与国家的经济命脉息息相关，也是社会金融业务的重要组成部分.近年 来，电力企业将新一代硬件设备、人工智能与大数据技术结合，提升了企业电能量数据的治理能力;深 化用户用电量的掌握与理解，更好地服务用户与能源调配，以适应“金融数智化”的发展要求[4].随着 智能电网的发展，电力企业普遍建立了数据中台对海量的电能量数据进行高效、统一的管理，形成了 将数据变为资产进而服务于业务的良性模式[5-6].这有助于提升电力企业的经济效益，同时有助于维持 社会有序的金融秩序.

窃电行为是导致电力企业遭受电能损失与经济效益损失的重要原因，在造成大量损失的同时也 会带来极大的安全隐患，为电网的安全运行带来了一定挑战电力企业需要针对电能交易环节采取 智能化監管手段，分析用户存在的欺诈行为，以适应当前金融行业智能化监管的趋势.近年来，随着电 力企业对窃电行为的打击与监察力度的加强，采用了智能化的电能计量装置与信息传输采集系统，一 定程度上降低了窃电行为的发生[8].然而目前电力企业对于窃电行为检测仍存在较大提升空间，电能 损失与经济效益损失仍处于较高水平.与此同时，窃电手段越来越隐蔽，为电力企业打击窃电行为带 来了挑战和困难.

目前对于窃电行为的检测，通常有以下几种方法：①通过专业人员人工排查的方法进行，这种方 法判断准确，但是效率低且人力成本高;②使用智能计量装置，增加对零线电流的采集与分析[9]，这种 方法有效且准确，但是由于需要更新计量装置会产生较大的经济成本;③对用户每日用电量数据进行 数据挖掘与分析，建立模型判断是否存在窃电现象[1°-11]，这种方法经济成本低且采集数据来源可靠便 捷，但是对用户用电特征的建模与时间序列数据的处理提出了较高的要求.

时间序列分类（TSC）是根据训练数据集并采用特征提取等方法，划分时间序列数据类别的一种 技术[12].对于窃电行为检测，基于用户每日用电量的数据集，对用户时间序列数据进行分类是一种实 现思路，这可以达到窃电检测目的.

防范窃电是智能电网的重要功能之一，提升电力企业对于窃电行为的检测能力，是提升电力企业 经济效益的重要手段，也是推动“金融数智化”的驱动力.本文针对电力企业面临的窃电行为检测问 题，提出了一种基于t-LeNet神经网络与时间序列分类的窃电行为检测方法：首先获取用户用电量时 序数据，使用降采样方法生成训练集;再使用t-LeNet神经网络训练并预测得到分类结果，判断用户是 否存在窃电行为.使用真实用户用电量数据集进行了实验验证.结果表明，本文方法相较于基于Time- CNN、MLP的时间序列分类方法，在综合评价指标、精确率、召回率指标上均有不同程度提高，其对 窃电行为的检测具有可行性与有效性.

1相关研究

1.1时间序列分类

时间序列分类是时间序列数据分析领域的重要问题，是通过提取时间序列数据的特征，划分其类 别的一种技术.随着深度学习的崛起和对神经网络的不断探索，越来越多的神經网络被发现适用于时 间序列的分类工作.时间序列数据可以视为一种二维数据，利用深度学习方法处理时间序列数据的分 类，其基本原理是通过将每一个样本的时序信息各自作为一个数组或向量，对这个数组的各个元素逐 层赋予一定的权重，然后求出最后的分类[13].

这类方法中适用于一元时间序列的有：多层感知器（MLP）、全卷积神经网络（Fully Convolutional Networks， FCN）和深度残差网络（Deep Residual Network， ResNet）[14].近年来，研究人员在过去神经网络的基础上，针对时间序列加以改进后提出了一些方法，例如t-LeNet、LSTM-FCN（Long-Short Term Memory， FCN）、 BiGRU-CNN（Bidirectional Gated Recurrent Unit， Convolutional Neural Network）等[15-17].

1.2t-LeNet

t-LeNet[17]神经网络属于一·种卷积神经网络（Convolutional Neural Network， CNN），是在 LeNet 的 基础上专门针对时间序列进行参数优化而产生的.

LeNet与CNN在模型结构上的区别在于，CNN通常采用卷积、池化到激活的结构;而LeNet由 两个卷积层组成，每个卷积层之后都执行一次最大池化，最后，由全连接层将提取的要素与要预测的 类别标签进行匹配.二者结构对比如图1所示.

t-LeNet的结构与LeNet类似，拥有含输入层在内的8层深度卷积神经网络，其中，卷积层可以使 原信号特征增强，并且降低噪声;池化层利用图像相关性原理，对图像进行子采样，可以减少参数个 数，减少模型过拟合，同时也可以保留一定的有效信息.与LeNet不同的是，t-LeNet的第一层卷积使 用跨度为5的5个滤波器，接着使用大小为2的最大池进行池化;第二层卷积使用20个相同跨度的滤 波器，并在这之后使用大小为4的最大池[18].t-LeNet模型的卷积部分如图2所示.

图2中，r表示输入进网络的时间序列，巧，1、巧，2分别表示卷积层1的第1个滤波、第2个滤波产 生的结果，邱，1、分别表示卷积层1的第1个滤波、第2个滤波最大池化后的结果，其余标记以此 类推.在用于时间序列分类时，t-LeNet卷积部分最后的输出会导入一个监督学习分类器.研究的结果 表明，t-LeNet在处理时间序列的分类问题时，t-LeNet表现出比LeNet更好的效果[17].

卷积核是卷积神经网络捕捉特征的核心单元，而卷积核的大小直接决定了网络所能捕获特征的 最远距离.因此，单层CNN往往无法有效获取远距离特征.LeNet也存在同样的缺陷，这使得该模型 在进行时间序列的预测时性能表现不佳.

2基于t-LeNet与时间序列分类的窃电行为检测方法

2.1窃电检测方法框架图

本文提出的基于t-LeNet与时间序列分类的窃电行为检测方法框架如图3所示.该方法分为以下 3部分.

（1）窃电行为模型建立：首先获取用户用电量时间序列数据，使用随机降采样方法生成训练集，使 用t-LeNet神经网络对训练集时间序列数据进行特征学习，设置不同参数在验证集上测试结果，得到 最优的窃电行为模型.

（2）窃电行为模型完善与补充：由于用电量数据是不断生成的，需要对窃电行为模型实时完善与 补充.对于新增用户用电量的时间序列数据，通过更新训练样本集，分析其用户特征，进而调整窃电分 析模型，最后补充完善窃电分析模型库.

（3）窃电行为自动化检测：利用得到的窃电行为模型，对多种渠道采集得到的用户用电量数据（来 源于计量装置的实时采集数据或电力营销系统的历史数据等）进行时间序列分类，输出窃电检测结果.

2.2窃电数据的特征

通过分析用户用电量时间序列数据及其标签分布，发现窃电用户占比较小，以2019年11月份数 据为例，分析疑似窃电用户数量为5367户，采集系统接入用户数为3094万户，占比约为0.017%.窃 电数据的一大特征是数据标签分布极其不平衡，因此不能简单地将所有带标签的样本使用机器学习 的方法进行建模，需要生成数据标签分布均衡的训练集进行模型训练，否则训练效果将大幅下降.

2.3训练集降采样

本方法使用用户用电量时间序列数据，进行窃电行为检测模型的构建，因此需要构造训练集对t- LeNet神经网络进行训练.然而对于用户用电量时间序列数据集，其分类标签极不均衡，窃电用户标 签与非窃电用户标签的比例约为1 ： 587.因此直接采用这样的数据进行t-LeNet神经网络的训练和建 模是不合适的，尤其是在窃电行为检测这类更关心少数类的场合下，数据分类不均衡会使得预测模型 可能会无法做出准确的预测，预测模型的结果将趋向于多数集，使得模型缺乏泛化性，导致窃电检测 精确程度大幅下降[19].

解决非均衡数据集训练的问题主要通过升采样、降采样或调整训练时的损失函数進行处理[20].本 文使用降采样方法调整训练集数据结构，以解决数据分布不均衡的问题.其原理是从多数集中选出一 部分数据与少数集重新组合成一个新的数据集.本文使用随机降采样方法进行训练集数据的生成，其 原理是多数集（不存在窃电行为的时序数据样本）中随机抽样选出一部分数据与少数集（存在窃电行 为的时序数据样本）重新组合，形成训练集，其中训练集中多数集与少数集的比例为1 ： 1.

2.4基于t-LeNet的时间序列分类

本文使用t-LeNet对神经网络进行训练，得到窃电行为模型并进行时间序列分类.使用的t- LeNet神经网络的层数与其参数设置如表1所示.

表1中，参数fliter表示输入通道数量;Convolution 1和Convolution 2是卷积层，参数 kemel_size表示卷积核大小;参数padding = ‘same表示卷积运算前进行补0扩充，使得卷积层前后

输入输出的大小保持一致;Pooling 1和Pooling 2是池化层，均为最大池化（Max Pooling），属性pool size表示池化时缩小的比例因子;Dense层的属性units表示该层的输出维度，其中第8层的n表示样 本数量，即最后一层的输出（Output）应与输入（Input）的样本数量保持一致;参数activation表示激 活函数类型，‘relu与‘softmax分别表示ReLU激活函数与SoftMax激活函数.ReLU激活函数与 SoftMax激活函数的公式分别为

fReLU（x） = max{0， x}，

式⑵中的输入与输出分别是向量Z = （xi，X2，. + .，x?）和（知氏，…，5*?）.

将训练集送入t-LeNet训练前，需要进行以下预处理操作.

（1）对数据标签进行独热编码（One Hot Encoder），令存在窃电的数据标签为1，未存在窃电的数 据标签为O，那么相应的独热编码分别为（1，O）与（O， （1）.对离散的标签进行独热编码后，使非偏序关 系的变量取值不具有偏序性，这有助于特征之间距离的计算或相似度的计算，提升训练效果[21];

（2）将用户每日用电数据转为多变量数据，即将数据维度从1维提升到2维，通过添加哑元（dummy variables）的方式进行，目的是使样本数据适应卷积层的二维卷积运算.

训练t-LeNet神经网络的方法与CNN类似，使用反向传播算法进行训练，具体过程如下网.

（1）向前传播阶段

（a）从样本集中取1个样本（X，Fp），将X输入网络.

（b） 计算相应的实际输出，即依据神经网络从输入层经过逐级变换，传送到输出层，得到输出 结果.的计算公式为

Op = Fn（· · ·（F2（F1（XpW（1））W（2））· · ·）W（n））.

（2）向后传播阶段

（a） 计算实际输出Op与相应的理想输出Yp的差.

（b）按极小化误差的方法反向传播调整权矩阵.

3实 验

3.1数据集

本文实验的数据集是国家电网发布的真实用电量数据集（http：//www.sgcc.com.cn/）.此数据集包含 1034 d内（2014年1月1日至2016年10月31日），共计42372个电力客户的用电量数据.

使用前文所述的降采样方法进行训练集的生成.选取全部3 615个窃电用户的用电量数据，然后 以1 ： 1随机选取3 615条非窃电用户的用电量数据，在一共7230条用电量数据中以8 ： 2的比例分 割训练集（5 784条）和验证集（1446条）.此外，同样按训练集比测试集8 ： 2的比例从数据集第二个文 件中随机选取1446条作为测试集，并保证窃电用户占有一定比例，其中测试集和训练集之间无交集. 每一个样本的主要字段包括用户编号、是否窃电、日用电量时间序列.

3.2评价指标

窃电行为检测可以被抽象为机器学习的二分类问题，对于窃电模型需要选择评价指标反应模型 分类的精确程度.本文选取精确率、召回率、巧分数及其宏平均值作为评价指标[23].令WP、、nFp、nTN分别为正类样本预测为正类的数量、正类样本预测为负类的数量、负类样本预测为正类的数量、 负类样本预测为负类的数量.上述评价指标及其含义分别如下.

（1）准确率（Accuracy）是模型正确分类的样本数量占全部样本的比例，反映了窃电检测的总体正 确率.记4为准确率，其计算公式为

（4）

⑵召回率（Recall）也称查全率，是真实正类样本中被预测为正类的比例，反映了窃电检测覆盖窃 电行为的比例.记况为召回率，其计算公式为

（5）

（3）精确率（Precision）是预测的正类样本中实际上为正类的比例，反映了窃电检测预测结果中正 确预测窃电行为的比例.这里用P来表示精确率，其计算公式为

（6）

（4）巧分数（F1-score）是精确率和召回率的调和平均数，是综合了精确率与召回率的评价指标. 用巧表示巧分数，其计算公式为

（7）

对每个类别的评价指标进行综合，即采用各评价指标的宏平均进行评估：宏平均召回率（Rmacr。） 宏平均精确率（Pmacr。）和宏平均巧分数（Flmacro），其计算公式分别为

（8）

（9）

（10）

3.3 实验环境

本文实验的操作系统平台为Windows 10.硬件环境为CPU Intel（R） Core（TM） i5-7300HQ 2.50 GHz，内存 8.00 GB， GPU NVIDIA GeForce GTX 1050 Ti，顯存 4 GB.算法基于 Python 3.7、 tensorflow 2.0.0 和 keras 2.3.1.

3.4实验参数设置

为防止超参数对文中对比实验的结果产生影响，本文将批量大小和迭代次数均设置为相同，实验 使用的所有模型参数配置均为使用默认值.实验所用的主要模型及参数如表2所示.

3.5实验结果与分析 3.5.1学习率对结果影响分析

实验使用的验证集中含有711个非窃电用户和735个窃电用户的用电量数据，共计1446条用电数据.对每个模型寻找其能够产生最好结果的学习率.下表为各模型在各个学习率区间内的训练结果 情况.通过在每次实验的结果按训练集、验证集的损失值和准确率确定拟合状态，提取各区间内各模 型的最高准确率和对应学习率如表3所示.

分别挑选出各自能产生最好结果的学习率的情况，在训练50轮之后计算出所选择的实验评估指 标：宏平均精确率（Pmacr。）、宏平均召回率（flmacr。）、宏平均巧分数（Fimacr。）和准确率（Pmacro），其结果如 表4所示.

分析表4中结果，可以得到如下结论.

（1）3种模型的总体准确率均在0.650 0以上，其中，t-LeNet的准确率最高，各模型表现的差距主 要体现在宏平均召回率上;在验证集上，t-LeNet为宏平均召回率最高的模型，且宏平均巧分数也为 最高，反映了该模型具有较好的检测能力.

（2） MLP在验证集上的准确率较差，尽管MLP的宏平均精确率较高，但是宏平均召回率较低.因

此该模型偏向于将大量样本归类为某同一标签，故其分类结果不具有参考价值.

（3）t-LeNet和Time-CNN为在验证集上宏平均召回率方面表现较好的2个模型，其宏平均召回 率分别达到了 0.721 8和0.712 9，差距不显著，说明这2种模型对窃电行为的识别均有较好的覆盖率. 3.5.2训练过程分析

将本文方法与Time-CNN、MLP在真实数据集上的窃电检测进行实验对比，在精确率（巧、召回 率（幻、巧分数（巧）和准确率（冯方面分析不同模型的分类结果.

图4为训练上述3种神经网络时，3种模型的准确率（图4（a））和损失（图4（b））随训练轮数变化的 折线图.图4（b）的纵轴是以2为底的对数轴.由图4可以得出如下结论.

（1）3种模型的准确率都随着训练轮数的增加而上升，损失随着训练轮数的增加而下降.Time- CNN、 MLP 和 t-LeNet 在训练过程中，随训练轮数的增加， 准确率均呈上升趋势， 一开始 3 种模型的 精确度相近，随着训练轮数的增加，3种模型的精确率出现较大差异.t-LeNet为3种模型中准确率最 好，Time-CNN次之，MLP为准确率最差的，3种模型在训练集的准确率最终分别为0.7967、0.7688、 0.726 7.

（2）Time-CNN在训练过程中保持平滑下降，说明训练过程较为有效;MLP训练前期损失下降显 著，后期在平缓下降的同时存在波动，说明损失收敛效果不佳;t-LeNet在前期损失下降显著，后期损 失下降趋缓，说明模型训练过程表现良好.由此可知，MLP训练过程准确率最低、损失收敛较差，说 明MLP模型在用户用电量窃电行为检测中不具有可行性;t-LeNet在训练过程中损失能快速收敛，说 明t-LeNet模型在用户用电量窃电行为检测中具有一定的可行性.

图5给出了验证集上3种模型的准确率随轮数变化的情况.由图5可以看出，Time-CNN、MLP、 t-LeNet在验证集上的准确率随着训练轮数的增加呈上升的趋势，前期准确率增长较快，后期趋于平 缓，且均存在一定波动.最终Time-CNN、MLP、t-LeNet在验证集上的准确率分别为0.710 9、0.676 3、 0.712 3.随着训练轮数的增加，3种模型在训练集上的准确率产生差距，t-LeNet和Time-CNN的准确 率相近，但t-LeNet的波动较为平缓，MLP的准确率相较于其余2个模型较差.说明MLP模型在用户 用电量窃电检测中精确度较低，不适用于该问题;而t-LeNet与Time-CNN在精确度方面表现较好， 说明这2种模型在用户用电量窃电行为检测具有较好的精确度，具有可行性.

3.5.3         结果指标分析

实验使用的测试集共有1 446条用电数据，其中包含1 012条非窃电用户用电数据和434条恶意窃 电用户数据.首先，在测试集上运行模型，得到各模型的窃电检测结果;随后，依据所选定的实验评估 指标，对模型的实际性能做出评估.评估结果如表5所示.

分析表5中的数据，可以得到以下结论.

（1）t-LeNet和Time-CNN是在测试集上宏平均召回率（况macro）方面表现最好的两个模型.其宏平 均召回率分别达到了 0.712 2和0.702 0，其中t-LeNet的准确率（乂）更高，为0.728 9.

（2）在测试集上，t-LeNet为宏平均值和整体准确率最高的模型，这反映出其精确率和召回率的综 合检测能力较Time-CNN和MLP高，且宏平均召回率是3种模型中最高的.

（3）从宏平均巧分数（巧macro）可以看出，实验所用的3种模型的综合检测能力差异较大，尽管 3种模型在测试集上大都表现出了较高的宏平均精确率与宏平均准确率，但其中MLP的宏平均召回 率偏低，从而导致了其F1marc。与其他2种模型有较大差异，这说明该模型对窃电行为的覆盖能力较差 从而不具有可行性.

4结论

窃电管理与电力企业的经济密切相关.本文针对电力企业面临的窃电行为检测问题，提出了一种 基于t-LeNet神经网络与时间序列分类的窃电行为检测方法：首先获取用户用电量时序数据，使用下 采样方法生成训练集;再使用t-LeNet神经网络训练并预测得到分类结果，判断用户是否存在窃电行 为.最后使用国家电网真实用户的用电量数据集进行了实验验证.结果表明，本文方法相较于Time- CNN、MLP的时间序列分类方法，在综合评价指标、精确率、召回率指标上均有不同程度提高，其对窃电行为的检测具有可行性与有效性.

[参考文献]

[1]谢治春，赵兴庐，刘媛.金融科技发展与商业银行的数字化战略转型[J].中国软科学，2018： 184-192.

[2]YANG S， ZHANG Z Q， ZHOU J， et al. Financial risk analysis for smes with graph-based supply chain mining [C] // Proceedings of the 29th International Joint Conference on Artificial Intelligence （IJCAI-20）， Special Track on AI in FinTech. 2020： 4661-4667.

[3 ] 乔宇锋.智能化金融监管：模型框架、边缘约束和实践策略[J].南方金融，2021（4）： 71-80.

[4]程雪军.人工智能深度介入消费金融：动因、风险及防控[J].深圳大学学报（人文社会科学版），2021， 38： 67-76.

[5 ] PASSERINI F， TONELLO A M. Smart grid monitoring using power line modems： Effect of anomalies on signal propagation [J]. IEEE Access， 2019（7）： 27302-27312.

[6 ] 李炳森，胡全贵，陈小峰，等.电网企业数据中台的研究与设计[J].电力信息与通信技术，2019， 17： 29-34.

[7 ] 王全兴，李思韬.基于采集系统的反窃电技术分析及防范措施[J].電测与仪表，2016， 53： 78-83.

[8 ] 李端超，王松，黄太贵，等.基于大数据平台的电网线损与窃电预警分析关键技术[J].电力系统保护与控制，2018， 46： 143-151.

[9 ] 张晓新，王奇超，林峰，等.窄带物联网在专变用户防窃电应用中的研究[J].电子器件，2021， 44： 178-181.

[10]庄池杰，张斌，胡军，等.基于无监督学习的电力用户异常用电模式检测[J].中国电机工程学报，2016， 36： 379-387， 594.

[11]黄悦华，郭思涵，鲍刚，等.基于用电特征分析的异常用电检测方法[J].三峡大学学报（自然科学版），2021， 43： 96-101.

[12]ISMAIL FAWAZ H， FORESTIER G， WEBER J， et al. Deep learning for time series classification： A review [J]. Data Mining and Knowledge Discovery， 2019， 33（4）： 917-963.

[13]EBRAHIM S A ， J POSHTAN， JAMALI S M， et al. Quantitative and qualitative analysis of time-series classification using deep learning [J]. IEEE Access， 2020（8）： 90202-90215.

[14]WANG Z G， YAN W Z， OATES T. Time series classification from scratch with deep neural networks： A strong baseline [C]// 2017 International Joint Conference on Neural Networks （IJCNN） . IEEE， 2017： 1578-1585.

[15]LINES J， DAVIS L M， HILLS J， et al. A shapelet transform for time series classification [C] // Proceedings of the 18th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. ACM， 2012： 289-297.

[16]HE Q， DONG Z， ZHUANG F Z， et al. Fast time series classification based on infrequent shapelets [C]// 2012 11th International Conference on Machine Learning and Applications. IEEE， 2012： 215-219.

[17]LE GUENNEC A， MALINOWSKI S， TAVENARD R. Data augmentation for time series classification using convolutional neural network [C/OL]// ECML/PKDD Workshop on Advanced Analytics and Learning on Temporal Data. （2016） [2021-07-02]. https：//halshs.archives-ouvertes.fr/halshs-01357973/document.

[18]CUI Z， CHEN W， CHEN Y. Multi-scale convolutional neural networks for time series classification [EB/OL]. （2016-05-1（1） [2021-0615]. https：//arxiv.org/pdf/1603.06995.pdf.

[19]曹陽，闫秋艳，吴鑫.不平衡时间序列集成分类算法[J].计算机应用，2021， 41： 651-656.

[20]李艳霞，柴毅，胡友强，等.不平衡数据分类方法综述[J].控制与决策，2019， 34： 673-688.

[21]LI J， SI Y Y， XU T， et al. Deep convolutional neural network based ECG classification system using information fusion and one-hot encoding techniques [J/OL]. Mathematical Problems in Engineering， （2018-12-0（2） [2021-07-02]. https：//doi.org/10.1155/2018/7354 081.

[22]REN S Q， HE K M， GIRSHICK R， et al. Faster R-CNN： Towards real-time object detection with region proposal networks [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39（6）： 1137-1149.

[23]CHALAPATHY R， CHAWLA S. Deep Learning for Anomaly Detection： A Survey [EB/OL]. （2019-01-2（3） [2020-07-02]. https：//arxiv. org/pdf/1901.03407.pdf.

（责任编辑：李艺）