随着时代发展,时间序列数据在大数据时代扮演着越来越重要的角色。在以往金融、气象相关领域的时间序列数据的研究中,对与其相关的时间序列数据的特性研究得已经比较完备,利用统计学的方法能够对这些时间序列数据进行有效的分析处理。然而近年来,工业上的时间序列数据日渐引起关注,引出了很多关于时间序列数据处理上的新问题。在处理高维时间序列数据上的质量问题时,单一维度上的时间序列处理方法由于无法正确、有效分析多维数据之间的关系,已不再适用,对工业上的高维时间序列数据的研究近乎空白。基于上述背景,本文以工业大数据上的高维时间序列数据作为重点,进行了问题分析、算法研发、系统开发等工作。本文提出了“高维时间序列数据的错列检测与修正”、“高维时间序列上的值异常检测与修正”两个高维时间序列数据上的异常问题,主要完成的算法研究和系统开发内容如下:(1)对于错列检测与修正问题,本文提出了一个在线与离线相结合的算法,在无先验知识或只拥有少量先验知识的情况下,通过模式确定、异常检测、综合清洗三个步骤,完成了对工业高维时间序列数据的异常的检测与修正,该算法可以排除干扰和小范围浮动,精准定位异常区间。(2)对于值异常检测与修正问题,本文将其分为“单维时间序列值异常的检测与修正”与“多维度辅助高维时间序列值异常检测与修正”两部分进行了讨论解决。在单维异常检测修正部分,本文使用传统的统计学方法和LSTM神经网络分别对异常点和异常区间进行检测;在多维度辅助检测修正部分,本文提出了一个运行时间随数据量线性增长的算法,通过相关性分析、求解置信区间、确定异常项、执行修正四个步骤,完成了多维度辅助高维时间序列数据检测修正。(3)以上述算法为基础,本文开发了一个面向工业大数据的高维时间序列清洗系统Cleanits,实现了包括数据清洗、清洗结果可视化、度量分析在内的多种功能。