CN112732785A - 时序数据异常检测方法、装置、设备及存储介质 - Google Patents
时序数据异常检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112732785A CN112732785A CN202011635793.6A CN202011635793A CN112732785A CN 112732785 A CN112732785 A CN 112732785A CN 202011635793 A CN202011635793 A CN 202011635793A CN 112732785 A CN112732785 A CN 112732785A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- time
- matrix
- preset
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 239000011159 matrix material Substances 0.000 claims abstract description 233
- 238000006243 chemical reaction Methods 0.000 claims abstract description 59
- 230000002159 abnormal effect Effects 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000006870 function Effects 0.000 claims description 31
- 238000005457 optimization Methods 0.000 claims description 28
- 230000005856 abnormality Effects 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 17
- 230000002123 temporal effect Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 abstract description 4
- NJPPVKZQTLUDBO-UHFFFAOYSA-N novaluron Chemical compound C1=C(Cl)C(OC(F)(F)C(OC(F)(F)F)F)=CC=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F NJPPVKZQTLUDBO-UHFFFAOYSA-N 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明涉及基架运维领域，公开了一种时序数据异常检测方法、装置、设备及存储介质。该方法包括：采集待检测的时序数据，并通过预置滑动时间窗提取固定时间长度的子时序数据；调用预置格拉姆角场算法，对所述子时序数据进行2D转换，得到第一时序角场矩阵；将所述第一时序角场矩阵输入预置时序重构模型进行时序数据重构，得到第二时序角场矩阵；调用预置损失函数，计算所述第一时序角场矩阵和所述第二时序角场矩阵的损失值，并判断所述损失值是否超过预置损失阈值；若是，则确定所述子时序数据存在异常。本发明利用时序之间的依赖信息进行时序重构，提高了异常检测的准确率。
Description
技术领域
本发明涉及基架运维领域，尤其涉及一种时序数据异常检测方法、装置、设备及存储介质。
背景技术
时间序列是指将某领域某一统计指标在不同时刻下的数值、按照时间先后顺序排列而形成的序列。时序数据异常检测一直是学术界和工业界比较关注的问题，时序数据异常检测，常用于运维监控、交通管理等场景，对于监控指标的时间序列进行检测，对于发现的异常及时告警以提示工作人员关注处理。
传统的时间序列检测一般是由滑窗统计时间数据中的重要信息，比如平均数、中位数等，然后再根据这些关键信息对下一时间点的数值进行预测。根据预测值和时间序列中的实际数值来判断时间序列是否有异常。传统的时间序列检测方法，在面对时间序列较长时，检测的结果存在很大的误差。
发明内容
本发明的主要目的在于解决时序数据异常检测误差大而导致检测准确率低的技术问题。
本发明第一方面提供了一种时序数据异常检测方法，所述时序数据异常检测方法包括：
采集待检测的时序数据，并通过预置滑动时间窗提取固定时间长度的子时序数据；
调用预置格拉姆角场算法，对所述子时序数据进行2D转换，得到第一时序角场矩阵；
将所述第一时序角场矩阵输入预置时序重构模型进行时序数据重构，得到第二时序角场矩阵；
调用预置损失函数，计算所述第一时序角场矩阵和所述第二时序角场矩阵的损失值，并判断所述损失值是否超过预置损失阈值；
若是，则确定所述子时序数据存在异常。
可选的，在本发明第一方面的第一种实现方式中，所述时序重构模型包括编码器和解码器，其中，所述编码器由多层一维卷积层和池化层构成，所述解码器由多层一维反卷积层和卷积层构成，在所述采集待检测的时序数据之前，还包括：
采集无异常的时序数据，并通过所述滑动时间窗提取固定时间长度的无异常子时序数据；
调用预置格拉姆角场算法，对所述无异常子时序数据进行2D转换，得到第三时序角场矩阵；
将所述第三时序角场矩阵输入所述多层一维卷积层进行卷积运算，得到第一特征矩阵；
将所述第一特征矩阵输入所述池化层进行均值编码，得到第一编码矩阵；
将所述第一编码矩阵输入所述多层一维反卷积层进行特征转换，得到第一转换矩阵；
将所述第一转换矩阵输入所述卷积层进行特征重构，得到第四时序角场矩阵；
调用预置损失函数，计算所述第三时序角场矩阵和所述第四时序角场矩阵的损失值；
根据所述损失值，调用预置优化算法对所述编码器和所述解码器进行参数优化，直至所述编码器和所述解码器收敛，得到时序重构模型。
可选的，在本发明第一方面的第二种实现方式中，所述根据所述损失值，调用预置优化算法对所述编码器和所述解码器进行参数优化，直至所述编码器和所述解码器收敛，得到时序重构模型包括：
根据所述损失值，调用预置优化算法计算所述编码器和所述解码器的一阶矩估计和二阶矩估计；
对所述一阶矩估计和所述二阶矩估计进行修正，并通过修正后的一阶矩估计和二阶矩估计进行参数更新，直至所述编码器和所述解码器收敛，得到时序重构模型。
可选的，在本发明第一方面的第三种实现方式中，所述采集待检测的时序数据，并通过所述滑动时间窗提取固定时间长度的子时序数据包括：
采集待检测的时序数据，并调整所述滑动时间窗的窗口长度；
通过所述调整后的滑动时间窗，每隔预置固定时间向前获取固定时间长度的时序采集值，得到所述待检测的时序数据的子时序数据。
可选的，在本发明第一方面的第四种实现方式中，所述调用预置格拉姆角场算法，对所述子时序数据进行2D转换，得到第一时序角场矩阵包括：
对所述子时序数据中的时序值进行归一化，得到归一化时序数据；
对所述归一化时序数据进行极坐标转换，得到极坐标时序数据；
截取所述极坐标时序数据中的多个时间戳对应值，并对所述各时间戳对应值进行三角函数变换，得到第一时序角场矩阵。
可选的，在本发明第一方面的第五种实现方式中，所述将所述第一时序角场矩阵输入预置时序重构模型进行时序数据重构，得到第二时序角场矩阵包括：
将所述第一时序角场矩阵输入所述多层一维卷积层进行卷积运算，得到第二特征矩阵；
将所述第二特征矩阵输入所述池化层进行均值编码，得到第二编码矩阵；
将所述第二编码矩阵输入所述多层一维反卷积层进行特征转换，得到第二转换矩阵；
将所述第二转换矩阵输入所述卷积层进行特征重构，得到第二时序角场矩阵。
可选的，在本发明第一方面的第六种实现方式中，所述调用预置损失函数，计算所述第一时序角场矩阵和所述第二时序角场矩阵的损失值包括：
计算所述第一时序角场矩阵和所述第二时序角场矩阵中各对应位置的矩阵元素误差，得到多个矩阵元素误差值；
调用预置损失函数，计算所述各矩阵元素误差值的平方和；
计算所述各矩阵元素误差值的平方和的平均值，得到所述第一时序角场矩阵和所述第二时序角场矩阵的损失值。
本发明第二方面提供了一种时序数据异常检测装置，所述时序数据异常检测装置包括：
采集模块，用于采集待检测的时序数据，并通过预置滑动时间窗提取固定时间长度的子时序数据；
2D转换模块，用于调用预置格拉姆角场算法，对所述子时序数据进行2D转换，得到第一时序角场矩阵；
时序重构模块，用于将所述第一时序角场矩阵输入预置时序重构模型进行时序数据重构，得到第二时序角场矩阵；
判断模块，用于调用预置损失函数，计算所述第一时序角场矩阵和所述第二时序角场矩阵的损失值，并判断所述损失值是否超过预置损失阈值；
输出模块，用于若所述损失值超过所述损失阈值，则确定所述子时序数据存在异常。
可选的，在本发明第二方面的第一种实现方式中，所述时序重构模型包括编码器和解码器，其中，所述编码器由多层一维卷积层和池化层构成，所述解码器由多层一维反卷积层和卷积层构成，所述时序数据异常检测装置还包括：
样本处理模块，用于采集无异常的时序数据，并通过所述滑动时间窗提取固定时间长度的无异常子时序数据；调用预置格拉姆角场算法，对所述无异常子时序数据进行2D转换，得到第三时序角场矩阵；
模型训练模块，用于将所述第三时序角场矩阵输入所述多层一维卷积层进行卷积运算，得到第一特征矩阵；将所述第一特征矩阵输入所述池化层进行均值编码，得到第一编码矩阵；将所述第一编码矩阵输入所述多层一维反卷积层进行特征转换，得到第一转换矩阵；将所述第一转换矩阵输入所述卷积层进行特征重构，得到第四时序角场矩阵；调用预置损失函数，计算所述第三时序角场矩阵和所述第四时序角场矩阵的损失值；
模型优化模块，用于根据所述损失值，调用预置优化算法对所述编码器和所述解码器进行参数优化，直至所述编码器和所述解码器收敛，得到时序重构模型。
可选的，在本发明第二方面的第二种实现方式中，所述模型优化模块具体用于：
根据所述损失值，调用预置优化算法计算所述编码器和所述解码器的一阶矩估计和二阶矩估计；
对所述一阶矩估计和所述二阶矩估计进行修正，并通过修正后的一阶矩估计和二阶矩估计进行参数更新，直至所述编码器和所述解码器收敛，得到时序重构模型。
可选的，在本发明第二方面的第三种实现方式中，所述采集模块具体用于：
采集待检测的时序数据，并调整所述滑动时间窗的窗口长度；
通过所述调整后的滑动时间窗，每隔预置固定时间向前获取固定时间长度的时序采集值，得到所述待检测的时序数据的子时序数据。
可选的，在本发明第二方面的第四种实现方式中，所述2D转换模块具体用于：
对所述子时序数据中的时序值进行归一化，得到归一化时序数据；
对所述归一化时序数据进行极坐标转换，得到极坐标时序数据；
截取所述极坐标时序数据中的多个时间戳对应值，并对所述各时间戳对应值进行三角函数变换，得到第一时序角场矩阵。
可选的，在本发明第二方面的第五种实现方式中，所述时序重构模块具体用于：
将所述第一时序角场矩阵输入所述多层一维卷积层进行卷积运算，得到第二特征矩阵；
将所述第二特征矩阵输入所述池化层进行均值编码，得到第二编码矩阵；
将所述第二编码矩阵输入所述多层一维反卷积层进行特征转换，得到第二转换矩阵；
将所述第二转换矩阵输入所述卷积层进行特征重构，得到第二时序角场矩阵。
可选的，在本发明第二方面的第六种实现方式中，所述判断模块具体用于：
计算所述第一时序角场矩阵和所述第二时序角场矩阵中各对应位置的矩阵元素误差，得到多个矩阵元素误差值；
调用预置损失函数，计算所述各矩阵元素误差值的平方和；
计算所述各矩阵元素误差值的平方和的平均值，得到所述第一时序角场矩阵和所述第二时序角场矩阵的损失值。
本发明第三方面提供了一种时序数据异常检测设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述时序数据异常检测设备执行上述的时序数据异常检测方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的时序数据异常检测方法。
本发明提供的技术方案中，通过结合时间序列2D化与时序重构模型进行异常检测，能够根据所输入的时间序列进行计算检测，并识别存在异常的时刻，具体为：采集待检测的时序数据，并通过预置滑动时间窗提取固定时间长度的子时序数据，本发明采集更长的时序有助于向模型输入更多的信息；调用预置格拉姆角场算法，将子时序数据转换为2D化的时序角场矩阵，通过2D化可以获取到时序数据中的时间序列的依赖信息；将2D化的时序角场矩阵输入预置时序重构模型进行时序数据重构，得到重构后的时序角场矩阵，时序重构模型对无异常时间序列具有较好的重构能力，但是对异常时序进行重构的损失值偏大，因此将模型用于时序重构，并将损失值大于预设阈值的时序数据判定为异常。本发明将时序依赖信息进行时序重构，提高了时序数据异常检测的准确率。
附图说明
图1为本发明实施例中时序数据异常检测方法的第一个实施例示意图；
图2为本发明实施例中时序数据异常检测方法的第二个实施例示意图；
图3为本发明实施例中时序数据异常检测方法的第三个实施例示意图；
图4为本发明实施例中时序数据异常检测装置第一个实施例示意图；
图5为本发明实施例中时序数据异常检测装置第二个实施例示意图；
图6为本发明实施例中时序数据异常检测设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种时序数据异常检测方法、装置、设备及存储介质。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中时序数据异常检测方法的第一个实施例包括：
101、采集待检测的时序数据，并通过预置滑动时间窗提取固定时间长度的子时序数据；
可以理解的是，本发明的执行主体可以为时序数据异常检测装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
本实施例中，将监控系统中各类监控指标数据生成的与时间具有高度关联的时序数据作为待检测的数据，本实施例还加入更长时间序列信息，取长度为3N(向前再延伸2N长度)的时间序列作为输入。
可选的，在一实施例中，所述采集待检测的时序数据，并通过所述滑动时间窗提取固定时间长度的子时序数据包括：
采集待检测的时序数据，并调整所述滑动时间窗的窗口长度；
通过所述调整后的滑动时间窗，每隔预置固定时间向前获取固定时间长度的时序采集值，得到所述待检测的时序数据的子时序数据。
本实施例中，调整滑动时间窗的窗口为一定长度，例如：时序采集粒度为1min，采集时长60min，则长度为60(包含60个采集值)，向前再延伸2*60长度，得到3*60长度的时序数据。
102、调用预置格拉姆角场算法，对所述子时序数据进行2D转换，得到第一时序角场矩阵；
本实施例中，格拉姆角场算法用于度量各个维度特性以及各个维度之间的关系，内积之后得到的多尺度矩阵中，对角线元素提供了不同特征图各自的信息，其余元素提供了不同特征图之间的相关信息，得到的时序角场矩阵，既能体现出有哪些特征，又能体现出不同特征间的紧密程度。
103、将所述第一时序角场矩阵输入预置时序重构模型进行时序数据重构，得到第二时序角场矩阵；
本实施例中，时序重构模型包括编码器和解码器，其中，编码器由多层一维卷积层和池化层构成，解码器由多层一维反卷积层和卷积层构成。一维卷积层是将输入的数据进行压缩，例如：输入的数据维度为8，过滤器的维度为5，卷积后输出的数据维度为8-5+1＝4。池化层主要的作用进行下采样然后降维、去除冗余信息、对特征进行压缩、简化网络复杂度、减小计算量、减小内存消耗。一维反卷积层的作用是将压缩后的矩阵进行还原，例如：一个步长为2，尺寸为3的反卷积输出数量为输入的两倍，系数变为4。卷积层输出一个[N，3N]的第二时序角场矩阵。
可选的，在一实施例中，所述将所述第一时序角场矩阵输入预置时序重构模型进行时序数据重构，得到第二时序角场矩阵包括：
将所述第一时序角场矩阵输入所述多层一维卷积层进行卷积运算，得到第二特征矩阵；
将所述第二特征矩阵输入所述池化层进行均值编码，得到第二编码矩阵；
将所述第二编码矩阵输入所述多层一维反卷积层进行特征转换，得到第二转换矩阵；
将所述第二转换矩阵输入所述卷积层进行特征重构，得到第二时序角场矩阵。
本实施例中，编码器包含多层一维卷积层与池化层，将维度为[N，3N]的第一时序角场矩阵编码为维度[L，C]的x1，并将x1再通过解码器(包含多层一维反卷积层与卷积层)解码为维度[N，3N]的第二时序角场矩阵。L与C是编码器经过长度压缩与维度升高后的维度，即L<N且C>3N。
104、调用预置损失函数，计算所述第一时序角场矩阵和所述第二时序角场矩阵的损失值，并判断所述损失值是否超过预置损失阈值；
本实施例中，损失函数采用的是MSE，通过求2D化的时序角场矩阵和重构后的时序角场矩阵的均值方差来判断时序数据中是否存在异常。
可选的，在一实施例中，所述调用预置损失函数，计算所述第一时序角场矩阵和所述第二时序角场矩阵的损失值包括：
计算所述第一时序角场矩阵和所述第二时序角场矩阵中各对应位置的矩阵元素误差，得到多个矩阵元素误差值；
调用预置损失函数，计算所述各矩阵元素误差值的平方和；
计算所述各矩阵元素误差值的平方和的平均值，得到所述第一时序角场矩阵和所述第二时序角场矩阵的损失值。
本实施例中，损失函数为：
其中，MSE表示均值方差，n表示矩阵中的n个元素，x表示第二时序角场矩阵中的矩阵元素值，x’表示第一时序角场矩阵中的矩阵元素值。
105、若是，则确定所述子时序数据存在异常。
本实施例中，如果损失值超过了预置损失阈值，则确定所述子时序数据存在异常，运维系统发现相关异常并及时做出预警。
本发明实施例通过结合时间序列2D化与时序重构模型进行异常检测，能够根据所输入的时间序列进行计算检测，并识别存在异常的时刻，具体为：采集待检测的时序数据，并通过预置滑动时间窗提取固定时间长度的子时序数据，本发明采集更长的时序有助于向模型输入更多的信息；调用预置格拉姆角场算法，将子时序数据转换为2D化的时序角场矩阵，通过2D化可以获取到时序数据中的时间序列的依赖信息；将2D化的时序角场矩阵输入预置时序重构模型进行时序数据重构，得到重构后的时序角场矩阵，时序重构模型对无异常时间序列具有较好的重构能力，但是对异常时序进行重构的损失值偏大，因此将模型用于时序重构，并将损失值大于预设阈值的时序数据判定为异常。本发明将时序依赖信息进行时序重构，提高了时序数据异常检测的准确率。
请参阅图2，本发明实施例中时序数据异常检测方法的第二个实施例包括：
201、采集无异常的时序数据，并通过所述滑动时间窗提取固定时间长度的无异常子时序数据；
202、调用预置格拉姆角场算法，对所述无异常子时序数据进行2D转换，得到第三时序角场矩阵；
203、将所述第三时序角场矩阵输入所述多层一维卷积层进行卷积运算，得到第一特征矩阵；
204、将所述第一特征矩阵输入所述池化层进行均值编码，得到第一编码矩阵；
205、将所述第一编码矩阵输入所述多层一维反卷积层进行特征转换，得到第一转换矩阵；
206、将所述第一转换矩阵输入所述卷积层进行特征重构，得到第四时序角场矩阵；
207、调用预置损失函数，计算所述第三时序角场矩阵和所述第四时序角场矩阵的损失值；
本实施例中，损失函数为：
其中，MSE表示均值方差，n表示矩阵中的n个元素，y表示第四时序角场矩阵中的矩阵元素值，y’表示第三时序角场矩阵中的矩阵元素值。
208、根据所述损失值，调用预置优化算法对所述编码器和所述解码器进行参数优化，直至所述编码器和所述解码器收敛，得到时序重构模型；
可选的，在一实施例中，所述根据所述损失值，调用预置优化算法对所述编码器和所述解码器进行参数优化，直至所述编码器和所述解码器收敛，得到时序重构模型包括：
根据所述损失值，调用预置优化算法计算所述编码器和所述解码器的一阶矩估计和二阶矩估计；
对所述一阶矩估计和所述二阶矩估计进行修正，并通过修正后的一阶矩估计和二阶矩估计进行参数更新，直至所述编码器和所述解码器收敛，得到时序重构模型。
本实施例中，所述优化算法采用Adam优化算法，Adam优化算法从梯度的第一次和第二次矩的预算来计算不同参数的自适应学习速率，Adam算法执行过程如下：
求解梯度的一阶矩估计VdW、Vdb和二阶矩估计SdW、Sdb：
VdW：＝β1VdW+(1-β1)dW；
Vdb：＝β1Vdb+(1-β1)db；
SdW：＝β2SdW+(1-β2)dW2；
Sdb：＝β2Sdb+(1-β2)db2；
其中，β1和β2一阶、二阶矩估计的指数衰减率，右侧的矩阵V和S为上一次迭代的矩估计，符号“：＝”代表赋值操作。修正一阶矩估计和二阶矩估计,通过修正的矩估计更新参数。判断训练模型的精度是否符合要求。若符合，则输出训练完毕的网络模型为时序重构模型；否则，重新进行网络训练，直至训练模型收敛得到时序重构模型。
209、采集待检测的时序数据，并通过预置滑动时间窗提取固定时间长度的子时序数据；
210、调用预置格拉姆角场算法，对所述子时序数据进行2D转换，得到第一时序角场矩阵；
211、将所述第一时序角场矩阵输入预置时序重构模型进行时序数据重构，得到第二时序角场矩阵；
212、调用预置损失函数，计算所述第一时序角场矩阵和所述第二时序角场矩阵的损失值，并判断所述损失值是否超过预置损失阈值；
213、若是，则确定所述子时序数据存在异常。
本发明实施例中，采用无异常的时序数据对时序重构模型进行训练，使所述时序重构模型对无异常的时序数据具有较好的重构效果，但是由于未经过异常数据训练因此无法对异常时序进行重构并导致损失值偏大。基于这个原理，将模型用于时序重构，并将损失值大于预设阈值的样本判定为异常，本发明通过重构时序矩阵进而判断与输入矩阵的差异，大大提高的异常检测的准确率。
请参阅图3，本发明实施例中时序数据异常检测方法的第三个实施例包括：
301、采集待检测的时序数据，并通过预置滑动时间窗提取固定时间长度的子时序数据；
302、对所述子时序数据中的时序值进行归一化，得到归一化时序数据；
303、对所述归一化时序数据进行极坐标转换，得到极坐标时序数据；
304、截取所述极坐标时序数据中的多个时间戳对应值，并对所述各时间戳对应值进行三角函数变换，得到第一时序角场矩阵；
本实施例中，格拉姆角场算法，对于长度为N的时间序列，通过格拉姆矩阵量化输入时序中任意2个timestamp间的角度关系，从而得到N*N的矩阵。采用格拉姆角场算法进行2D化，则直接取长度为N的时间序列代入生成N*N的矩阵，随后代入时序重构模型。本实施例为了加入更长时间序列信息，取长度为3N(向前再延伸2N长度)的时间序列代入，生成3N*3N的矩阵后仅截取最后N个timestamp对应值，即N*3N的矩阵。其计算流程可以概括如下：
x＝GAF(t)[-N:]；
其中，t为长度为3N的时间序列，而x为[N，3N]的2D化矩阵，然后用于检测最后N个timestamp的异常。
305、将所述第一时序角场矩阵输入预置时序重构模型进行时序数据重构，得到第二时序角场矩阵；
306、调用预置损失函数，计算所述第一时序角场矩阵和所述第二时序角场矩阵的损失值，并判断所述损失值是否超过预置损失阈值；
307、若是，则确定所述子时序数据存在异常。
本发明实施例中，时间序列数据经格拉姆角场算法2D化后，既扩充了维度，增强了数据原本的空间信息，同时因其格式与时间具有高度的关联性，可以获得更多时序之间的依赖信息，解决了常用异常检测方法对序列较长的时间序列数据识别率低的问题。
上面对本发明实施例中时序数据异常检测方法进行了描述，下面对本发明实施例中时序数据异常检测装置进行描述，请参阅图4，本发明实施例中时序数据异常检测装置第一个实施例包括：
采集模块401，用于采集待检测的时序数据，并通过预置滑动时间窗提取固定时间长度的子时序数据；
2D转换模块402，用于调用预置格拉姆角场算法，对所述子时序数据进行2D转换，得到第一时序角场矩阵；
时序重构模块403，用于将所述第一时序角场矩阵输入预置时序重构模型进行时序数据重构，得到第二时序角场矩阵；
判断模块404，用于调用预置损失函数，计算所述第一时序角场矩阵和所述第二时序角场矩阵的损失值，并判断所述损失值是否超过预置损失阈值；
输出模块405，用于若所述损失值超过所述损失阈值，则确定所述子时序数据存在异常。
请参阅图5，本发明实施例中时序数据异常检测装置第二个实施例包括：
采集模块401，用于采集待检测的时序数据，并通过预置滑动时间窗提取固定时间长度的子时序数据；
2D转换模块402，用于调用预置格拉姆角场算法，对所述子时序数据进行2D转换，得到第一时序角场矩阵；
时序重构模块403，用于将所述第一时序角场矩阵输入预置时序重构模型进行时序数据重构，得到第二时序角场矩阵；
判断模块404，用于调用预置损失函数，计算所述第一时序角场矩阵和所述第二时序角场矩阵的损失值，并判断所述损失值是否超过预置损失阈值；
输出模块405，用于若所述损失值超过所述损失阈值，则确定所述子时序数据存在异常。
可选的，在一实施例中，所述时序重构模型包括编码器和解码器，其中，所述编码器由多层一维卷积层和池化层构成，所述解码器由多层一维反卷积层和卷积层构成，所述时序数据异常检测装置还包括：
样本处理模块406，用于采集无异常的时序数据，并通过所述滑动时间窗提取固定时间长度的无异常子时序数据；调用预置格拉姆角场算法，对所述无异常子时序数据进行2D转换，得到第三时序角场矩阵；
模型训练模块407，用于将所述第三时序角场矩阵输入所述多层一维卷积层进行卷积运算，得到第一特征矩阵；将所述第一特征矩阵输入所述池化层进行均值编码，得到第一编码矩阵；将所述第一编码矩阵输入所述多层一维反卷积层进行特征转换，得到第一转换矩阵；将所述第一转换矩阵输入所述卷积层进行特征重构，得到第四时序角场矩阵；调用预置损失函数，计算所述第三时序角场矩阵和所述第四时序角场矩阵的损失值；
模型优化模块408，用于根据所述损失值，调用预置优化算法对所述编码器和所述解码器进行参数优化，直至所述编码器和所述解码器收敛，得到时序重构模型。
可选的，在一实施例中，所述模型优化模块408具体用于：
根据所述损失值，调用预置优化算法计算所述编码器和所述解码器的一阶矩估计和二阶矩估计；
对所述一阶矩估计和所述二阶矩估计进行修正，并通过修正后的一阶矩估计和二阶矩估计进行参数更新，直至所述编码器和所述解码器收敛，得到时序重构模型。
可选的，在一实施例中，所述采集模块401具体用于：
采集待检测的时序数据，并调整所述滑动时间窗的窗口长度；
通过所述调整后的滑动时间窗，每隔预置固定时间向前获取固定时间长度的时序采集值，得到所述待检测的时序数据的子时序数据。
可选的，在一实施例中，所述2D转换模块402具体用于：
对所述子时序数据中的时序值进行归一化，得到归一化时序数据；
对所述归一化时序数据进行极坐标转换，得到极坐标时序数据；
截取所述极坐标时序数据中的多个时间戳对应值，并对所述各时间戳对应值进行三角函数变换，得到第一时序角场矩阵。
可选的，在一实施例中，所述时序重构模块403具体用于：
将所述第一时序角场矩阵输入所述多层一维卷积层进行卷积运算，得到第二特征矩阵；
将所述第二特征矩阵输入所述池化层进行均值编码，得到第二编码矩阵；
将所述第二编码矩阵输入所述多层一维反卷积层进行特征转换，得到第二转换矩阵；
将所述第二转换矩阵输入所述卷积层进行特征重构，得到第二时序角场矩阵。
可选的，在一实施例中，所述判断模块404具体用于：
计算所述第一时序角场矩阵和所述第二时序角场矩阵中各对应位置的矩阵元素误差，得到多个矩阵元素误差值；
调用预置损失函数，计算所述各矩阵元素误差值的平方和；
计算所述各矩阵元素误差值的平方和的平均值，得到所述第一时序角场矩阵和所述第二时序角场矩阵的损失值。
本发明实施例通过结合时间序列2D化与时序重构模型进行异常检测，能够根据所输入的时间序列进行计算检测，并识别存在异常的时刻，具体为：采集待检测的时序数据，并通过预置滑动时间窗提取固定时间长度的子时序数据，本发明采集更长的时序有助于向模型输入更多的信息；调用预置格拉姆角场算法，将子时序数据转换为2D化的时序角场矩阵，通过2D化可以获取到时序数据中的时间序列的依赖信息；将2D化的时序角场矩阵输入预置时序重构模型进行时序数据重构，得到重构后的时序角场矩阵，时序重构模型对无异常时间序列具有较好的重构能力，但是对异常时序进行重构的损失值偏大，因此将模型用于时序重构，并将损失值大于预设阈值的时序数据判定为异常。本发明将时序依赖信息进行时序重构，提高了时序数据异常检测的准确率。
上面图4和图5从模块化功能实体的角度对本发明实施例中的时序数据异常检测装置进行详细描述，下面从硬件处理的角度对本发明实施例中时序数据异常检测设备进行详细描述。
图6是本发明实施例提供的一种时序数据异常检测设备的结构示意图，该时序数据异常检测设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)610(例如，一个或一个以上处理器)和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对时序数据异常检测设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在时序数据异常检测设备600上执行存储介质630中的一系列指令操作。
时序数据异常检测设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的时序数据异常检测设备结构并不构成对时序数据异常检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种时序数据异常检测设备，所述时序数据异常检测设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述时序数据异常检测方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述时序数据异常检测方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种时序数据异常检测方法，其特征在于，所述时序数据异常检测方法包括：
采集待检测的时序数据，并通过预置滑动时间窗提取固定时间长度的子时序数据；
调用预置格拉姆角场算法，对所述子时序数据进行2D转换，得到第一时序角场矩阵；
将所述第一时序角场矩阵输入预置时序重构模型进行时序数据重构，得到第二时序角场矩阵；
调用预置损失函数，计算所述第一时序角场矩阵和所述第二时序角场矩阵的损失值，并判断所述损失值是否超过预置损失阈值；
若是，则确定所述子时序数据存在异常。
2.根据权利要求1所述的时序数据异常检测方法，其特征在于，所述时序重构模型包括编码器和解码器，其中，所述编码器由多层一维卷积层和池化层构成，所述解码器由多层一维反卷积层和卷积层构成，在所述采集待检测的时序数据之前，还包括：
采集无异常的时序数据，并通过所述滑动时间窗提取固定时间长度的无异常子时序数据；
调用预置格拉姆角场算法，对所述无异常子时序数据进行2D转换，得到第三时序角场矩阵；
将所述第三时序角场矩阵输入所述多层一维卷积层进行卷积运算，得到第一特征矩阵；
将所述第一特征矩阵输入所述池化层进行均值编码，得到第一编码矩阵；
将所述第一编码矩阵输入所述多层一维反卷积层进行特征转换，得到第一转换矩阵；
将所述第一转换矩阵输入所述卷积层进行特征重构，得到第四时序角场矩阵；
调用预置损失函数，计算所述第三时序角场矩阵和所述第四时序角场矩阵的损失值；
根据所述损失值，调用预置优化算法对所述编码器和所述解码器进行参数优化，直至所述编码器和所述解码器收敛，得到时序重构模型。
3.根据权利要求2所述的时序数据异常检测方法，其特征在于，所述根据所述损失值，调用预置优化算法对所述编码器和所述解码器进行参数优化，直至所述编码器和所述解码器收敛，得到时序重构模型包括：
根据所述损失值，调用预置优化算法计算所述编码器和所述解码器的一阶矩估计和二阶矩估计；
对所述一阶矩估计和所述二阶矩估计进行修正，并通过修正后的一阶矩估计和二阶矩估计进行参数更新，直至所述编码器和所述解码器收敛，得到时序重构模型。
4.根据权利要求1所述的时序数据异常检测方法，其特征在于，所述采集待检测的时序数据，并通过所述滑动时间窗提取固定时间长度的子时序数据包括：
采集待检测的时序数据，并调整所述滑动时间窗的窗口长度；
通过所述调整后的滑动时间窗，每隔预置固定时间向前获取固定时间长度的时序采集值，得到所述待检测的时序数据的子时序数据。
5.根据权利要求1所述的时序数据异常检测方法，其特征在于，所述调用预置格拉姆角场算法，对所述子时序数据进行2D转换，得到第一时序角场矩阵包括：
对所述子时序数据中的时序值进行归一化，得到归一化时序数据；
对所述归一化时序数据进行极坐标转换，得到极坐标时序数据；
截取所述极坐标时序数据中的多个时间戳对应值，并对所述各时间戳对应值进行三角函数变换，得到第一时序角场矩阵。
6.根据权利要求1或5所述的时序数据异常检测方法，其特征在于，所述将所述第一时序角场矩阵输入预置时序重构模型进行时序数据重构，得到第二时序角场矩阵包括：
将所述第一时序角场矩阵输入所述多层一维卷积层进行卷积运算，得到第二特征矩阵；
将所述第二特征矩阵输入所述池化层进行均值编码，得到第二编码矩阵；
将所述第二编码矩阵输入所述多层一维反卷积层进行特征转换，得到第二转换矩阵；
将所述第二转换矩阵输入所述卷积层进行特征重构，得到第二时序角场矩阵。
7.根据权利要求6所述的时序数据异常检测方法，其特征在于，所述调用预置损失函数，计算所述第一时序角场矩阵和所述第二时序角场矩阵的损失值包括：
计算所述第一时序角场矩阵和所述第二时序角场矩阵中各对应位置的矩阵元素误差，得到多个矩阵元素误差值；
调用预置损失函数，计算所述各矩阵元素误差值的平方和；
计算所述各矩阵元素误差值的平方和的平均值，得到所述第一时序角场矩阵和所述第二时序角场矩阵的损失值。
8.一种时序数据异常检测装置，其特征在于，所述时序数据异常检测装置包括：
采集模块，用于采集待检测的时序数据，并通过预置滑动时间窗提取固定时间长度的子时序数据；
2D转换模块，用于调用预置格拉姆角场算法，对所述子时序数据进行2D转换，得到第一时序角场矩阵；
时序重构模块，用于将所述第一时序角场矩阵输入预置时序重构模型进行时序数据重构，得到第二时序角场矩阵；
判断模块，用于调用预置损失函数，计算所述第一时序角场矩阵和所述第二时序角场矩阵的损失值，并判断所述损失值是否超过预置损失阈值；
输出模块，用于若所述损失值超过所述损失阈值，则确定所述子时序数据存在异常。
9.一种时序数据异常检测设备，其特征在于，所述时序数据异常检测设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述时序数据异常检测设备执行如权利要求1-7中任一项所述的时序数据异常检测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的时序数据异常检测方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011635793.6A CN112732785A (zh) | 2020-12-31 | 2020-12-31 | 时序数据异常检测方法、装置、设备及存储介质 |
| PCT/CN2021/084237 WO2022141871A1 (zh) | 2020-12-31 | 2021-03-31 | 时序数据异常检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011635793.6A CN112732785A (zh) | 2020-12-31 | 2020-12-31 | 时序数据异常检测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112732785A true CN112732785A (zh) | 2021-04-30 |
Family
ID=75608617
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011635793.6A Pending CN112732785A (zh) | 2020-12-31 | 2020-12-31 | 时序数据异常检测方法、装置、设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112732785A (zh) |
| WO (1) | WO2022141871A1 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114067093A (zh) * | 2021-09-23 | 2022-02-18 | 济南大学 | 基于时序与图像的散乱污用户精准捕获方法及系统 |
| CN114494242A (zh) * | 2022-02-21 | 2022-05-13 | 平安科技（深圳）有限公司 | 时间序列数据检测方法、装置、设备及计算机存储介质 |
| CN118133202A (zh) * | 2024-03-20 | 2024-06-04 | 国网河南省电力公司经济技术研究院 | 基于区块链的能源数据安全高效溯源方法及系统 |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115563095B (zh) * | 2022-10-18 | 2023-11-24 | 上海宇佑船舶科技有限公司 | 基于时序序列的数据重构方法及系统 |
| CN116383747A (zh) * | 2023-04-06 | 2023-07-04 | 中国科学院空间应用工程与技术中心 | 基于多时间尺度深度卷积生成对抗网络的异常检测方法 |
| CN116107194B (zh) * | 2023-04-13 | 2023-06-09 | 北京新科以仁科技发展有限公司 | 一种激光器的自动切换控制方法、装置、设备及存储介质 |
| CN117113243B (zh) * | 2023-06-28 | 2024-01-26 | 武汉盈风能源科技有限公司 | 一种光伏设备异常检测方法 |
| CN116865631B (zh) * | 2023-07-20 | 2024-01-26 | 浙江联大科技有限公司 | 自动窗帘的静音管状电机及其控制方法 |
| CN116633705B (zh) * | 2023-07-26 | 2023-10-13 | 山东省计算中心（国家超级计算济南中心） | 基于复合自动编码器的工业控制系统异常检测方法及系统 |
| CN117543791B (zh) * | 2023-11-08 | 2024-07-12 | 深圳市瀚海星光科技有限公司 | 电源的供电检测方法、装置、设备及存储介质 |
| CN117724935B (zh) * | 2024-02-06 | 2024-06-07 | 山东大学 | 一种软件系统多指标异常检测方法及系统 |
| CN117760593B (zh) * | 2024-02-22 | 2024-05-10 | 张家港江海粮油港务有限公司 | 一种粮食作物仓储温度异常监测方法 |
| CN117786371B (zh) * | 2024-02-27 | 2024-05-10 | 聊城市检验检测中心 | 一种温度监测数据优化预测分析方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109086876A (zh) * | 2018-09-21 | 2018-12-25 | 广州发展集团股份有限公司 | 设备的运行状态检测方法、装置、计算机设备和存储介质 |
| WO2019036095A1 (en) * | 2017-08-17 | 2019-02-21 | Siemens Aktiengesellschaft | DEFRONTED DETECTION BASED ON A DEVOLVED CONVOLUTION NEURONAL NETWORK FOR TRANSACTIVE ENERGY SYSTEMS |
| CN110490132A (zh) * | 2019-08-16 | 2019-11-22 | 京东城市(北京)数字科技有限公司 | 数据处理方法和装置 |
| US20200004616A1 (en) * | 2018-07-02 | 2020-01-02 | Nec Laboratories America, Inc. | Failure prediction |
| CN111669373A (zh) * | 2020-05-25 | 2020-09-15 | 山东理工大学 | 基于时空卷积网络和拓扑感知的网络异常检测方法及系统 |
| CN111695598A (zh) * | 2020-05-11 | 2020-09-22 | 东南大学 | 一种基于生成对抗网络的监测数据异常诊断方法 |
| CN111860785A (zh) * | 2020-07-24 | 2020-10-30 | 中山大学 | 基于注意力机制循环神经网络的时间序列预测方法及系统 |
| CN111880998A (zh) * | 2020-07-30 | 2020-11-03 | 平安科技（深圳）有限公司 | 服务系统异常检测方法、装置、计算机设备和存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200387829A1 (en) * | 2019-06-06 | 2020-12-10 | Retrace Labs | Systems And Methods For Dental Treatment Prediction From Cross- Institutional Time-Series Information |
| US11657269B2 (en) * | 2019-05-23 | 2023-05-23 | Salesforce.Com, Inc. | Systems and methods for verification of discriminative models |
| CN110909046B (zh) * | 2019-12-02 | 2023-08-11 | 上海舵敏智能科技有限公司 | 时间序列的异常检测方法及装置、电子设备、存储介质 |
| CN112000830A (zh) * | 2020-08-26 | 2020-11-27 | 中国科学技术大学 | 一种时序数据检测方法及装置 |
| CN112016041B (zh) * | 2020-08-27 | 2023-08-04 | 重庆大学 | 基于格拉姆求和角场图像化和Shortcut-CNN的时间序列实时分类方法 |
-
2020
- 2020-12-31 CN CN202011635793.6A patent/CN112732785A/zh active Pending
-
2021
- 2021-03-31 WO PCT/CN2021/084237 patent/WO2022141871A1/zh active Application Filing
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019036095A1 (en) * | 2017-08-17 | 2019-02-21 | Siemens Aktiengesellschaft | DEFRONTED DETECTION BASED ON A DEVOLVED CONVOLUTION NEURONAL NETWORK FOR TRANSACTIVE ENERGY SYSTEMS |
| US20200004616A1 (en) * | 2018-07-02 | 2020-01-02 | Nec Laboratories America, Inc. | Failure prediction |
| CN109086876A (zh) * | 2018-09-21 | 2018-12-25 | 广州发展集团股份有限公司 | 设备的运行状态检测方法、装置、计算机设备和存储介质 |
| CN110490132A (zh) * | 2019-08-16 | 2019-11-22 | 京东城市(北京)数字科技有限公司 | 数据处理方法和装置 |
| CN111695598A (zh) * | 2020-05-11 | 2020-09-22 | 东南大学 | 一种基于生成对抗网络的监测数据异常诊断方法 |
| CN111669373A (zh) * | 2020-05-25 | 2020-09-15 | 山东理工大学 | 基于时空卷积网络和拓扑感知的网络异常检测方法及系统 |
| CN111860785A (zh) * | 2020-07-24 | 2020-10-30 | 中山大学 | 基于注意力机制循环神经网络的时间序列预测方法及系统 |
| CN111880998A (zh) * | 2020-07-30 | 2020-11-03 | 平安科技（深圳）有限公司 | 服务系统异常检测方法、装置、计算机设备和存储介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114067093A (zh) * | 2021-09-23 | 2022-02-18 | 济南大学 | 基于时序与图像的散乱污用户精准捕获方法及系统 |
| CN114067093B (zh) * | 2021-09-23 | 2024-07-26 | 济南大学 | 基于时序与图像的散乱污用户精准捕获方法及系统 |
| CN114494242A (zh) * | 2022-02-21 | 2022-05-13 | 平安科技（深圳）有限公司 | 时间序列数据检测方法、装置、设备及计算机存储介质 |
| WO2023155296A1 (zh) * | 2022-02-21 | 2023-08-24 | 平安科技（深圳）有限公司 | 时间序列数据检测方法、装置、设备及计算机存储介质 |
| CN118133202A (zh) * | 2024-03-20 | 2024-06-04 | 国网河南省电力公司经济技术研究院 | 基于区块链的能源数据安全高效溯源方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022141871A1 (zh) | 2022-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112732785A (zh) | 时序数据异常检测方法、装置、设备及存储介质 | |
| CN107086944B (zh) | 一种异常检测方法和装置 | |
| CN112380098B (zh) | 一种时序异常检测方法、装置、计算机设备及存储介质 | |
| CN110378487B (zh) | 横向联邦学习中模型参数验证方法、装置、设备及介质 | |
| CN110928718A (zh) | 一种基于关联分析的异常处理方法、系统、终端及介质 | |
| CN112862127B (zh) | 一种传感器数据的异常处理方法、装置、电子设备及介质 | |
| CN108491861A (zh) | 基于多源多参量融合的输变电设备状态异常模式识别方法及装置 | |
| US9003076B2 (en) | Identifying anomalies in original metrics of a system | |
| CN112398677A (zh) | 流量异常检测的方法、模型训练方法和装置 | |
| CN110991504A (zh) | 基于motcn-ae的多维时间序列异常值检测方法及系统 | |
| CN108829998A (zh) | 一种桥梁挠度的检测方法、检测装置及终端设备 | |
| CN115563180A (zh) | 动态阈值生成方法、装置、设备及存储介质 | |
| CN108390793A (zh) | 一种分析系统稳定性的方法及装置 | |
| CN112990442A (zh) | 基于空间位置的数据确定方法、装置及电子设备 | |
| CN112395179A (zh) | 一种模型训练方法、磁盘预测方法、装置及电子设备 | |
| CN114564345B (zh) | 一种服务器异常检测方法、装置、设备及存储介质 | |
| CN111259338B (zh) | 元器件失效率修正方法、装置、计算机设备及存储介质 | |
| CN110336860A (zh) | 工业物联网中基于多维数据处理的关键节点数据保护方法 | |
| CN112380073A (zh) | 一种故障位置的检测方法、装置及可读存储介质 | |
| CN117591860A (zh) | 一种数据异常检测方法及装置 | |
| CN111079560A (zh) | 一种摔倒监测方法、装置及终端设备 | |
| CN115242457A (zh) | 一种日志数据的检测方法、装置、电子设备和存储介质 | |
| CN113515684A (zh) | 一种异常数据检测方法及装置 | |
| CN116127149B (zh) | 图数据库集群健康度的量化方法和系统 | |
| CN117407264B (zh) | 内存老化剩余时间的预测方法、装置、计算机设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |