数十年来,我国经济快速发展,各行各业产生了大量的数据,其中就包含了时间序列数据。时间序列数据通常具有维度高、数据量大等特点,尤其是工业和制造业大数据,常见的制造业时间序列数据具有大体量、多源性、连续采样、价值密度低、动态性强的特点,给数据清洗带来了难度和挑战。工业数据采集平台往往包含各类模块化协同工作的传感器设备组,同组的传感器所采集的数据可能模式相似,而不同组传感器之间的数据可能存在模式相关关系。这种多维时间序列的相关关系可以加以利用,以提高数据清洗的效果和效率。近些年来,针对基于约束的时间序列清洗研究取得了较好的成果,但目前对时间序列清洗的研究主要集中在利用时间上的相关性清洗一条时间序列上,而对多维时间序列的清洗研究较少,并且没有很好地利用到序列间的相关性。因此,本文对基于相关性的高维时间序列清洗算法进行研究,主要研究内容如下:(1)针对基于约束的时间序列异常检测方法,本文讨论了约束的分类和几种基本的约束,提出了使用速度约束进行异常点检测的问题,设计了时间复杂度为O(n2)的动态规划算法,并通过将问题转化为二维区域查询问题,使用二维区间树优化动态规划算法的时间复杂度,得到了时间复杂度为O(n log2n)的优化算法。(2)针对具有空间相关性的高维时间序列异常检测,本文提出了一个高效的检测框架。该框架首先对数据进行预处理,结合先验知识与相关性的计算确定可疑序列,然后在可疑序列上执行时间序列异常检测和清洗算法。该框架可以结合多种时间序列清洗算法,具有较好的扩展性。实验表明在低异常序列比例、高异常点比例的情况下具有较好的准确率和召回率。(3)针对具有物理机理相关性的高维时间序列清洗,本文使用函数约束描述序列间的物理机理相关性,并提出了多约束下的数据清洗框架。该框架依次检测每种类型的约束是否满足,得到数据的约束违反特征,并通过与先验知识中的异常表征进行比较,将追溯异常原因问题转化为最小代价集合覆盖问题,通过启发式算法求解该问题,得到异常原因。