[發(fā)明專利]流數(shù)據(jù)的異常點(diǎn)檢測(cè)方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 201611229506.5
• 申請(qǐng)日: 2016-12-27
• 公開(kāi)（公告）號(hào): CN106815639A
• 公開(kāi)（公告）日: 2017-06-09
• 發(fā)明（設(shè)計(jì)）人: 陳龍
• 申請(qǐng)（專利權(quán)）人: 東軟集團(tuán)股份有限公司
• 主分類號(hào): G06N3/08
• 分類號(hào): G06N3/08
• 代理公司: 北京英創(chuàng)嘉友知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙)11447
• 代理人: 魏嘉熹,南毅寧

1.一種流數(shù)據(jù)的異常點(diǎn)檢測(cè)方法，其特征在于，所述流數(shù)據(jù)包括每類傳感器在歷史時(shí)刻檢測(cè)到的數(shù)據(jù)，以及在每一所述歷史時(shí)刻的實(shí)測(cè)異常點(diǎn)數(shù)據(jù)，所述方法包括：

根據(jù)每類所述傳感器在所述歷史時(shí)刻檢測(cè)到的數(shù)據(jù)，以及所述實(shí)測(cè)異常點(diǎn)數(shù)據(jù)訓(xùn)練長(zhǎng)短時(shí)記憶遞歸神經(jīng)網(wǎng)絡(luò)LSTM模型，形成已訓(xùn)練LSTM模型，其中，每類所述傳感器在所述歷史時(shí)刻檢測(cè)到的數(shù)據(jù)作為訓(xùn)練所述LSTM模型的一個(gè)輸入向量；

將每類所述傳感器在當(dāng)前時(shí)刻檢測(cè)到的數(shù)據(jù)作為所述已訓(xùn)練LSTM模型的輸入，得到所述已訓(xùn)練LSTM模型輸出的異常點(diǎn)數(shù)據(jù)檢測(cè)結(jié)果。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)每類所述傳感器在所述歷史時(shí)刻檢測(cè)到的數(shù)據(jù)，以及所述實(shí)測(cè)異常點(diǎn)數(shù)據(jù)訓(xùn)練長(zhǎng)短時(shí)記憶遞歸神經(jīng)網(wǎng)絡(luò)LSTM模型，形成已訓(xùn)練LSTM模型，包括：

利用所述LSTM模型的流數(shù)據(jù)滑動(dòng)窗口學(xué)習(xí)每類所述傳感器在所述歷史時(shí)刻檢測(cè)到的數(shù)據(jù)，得到正常點(diǎn)的目標(biāo)概率值P(y＝1|h)，其中，正常點(diǎn)標(biāo)簽y的值為1；

根據(jù)正常點(diǎn)的標(biāo)簽及所述目標(biāo)概率值P(y＝1|h)，計(jì)算獲得交叉熵，其中，所述交叉熵作為模型的損失函數(shù)，用于衡量概率值與標(biāo)簽的相似性；

根據(jù)所述損失函數(shù)調(diào)整所述LSTM模型的參數(shù)。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述利用所述LSTM模型的流數(shù)據(jù)滑動(dòng)窗口學(xué)習(xí)每類所述傳感器在所述歷史時(shí)刻檢測(cè)到的數(shù)據(jù)，得到正常點(diǎn)的目標(biāo)概率值P(y＝1|h)，包括：

利用所述LSTM模型的流數(shù)據(jù)滑動(dòng)窗口分別學(xué)習(xí)每一類傳感器在所述歷史時(shí)刻檢測(cè)到的數(shù)據(jù)的特征，得到隱藏向量表示；

將所述隱藏向量表示通過(guò)所述LSTM模型的邏輯回歸層處理，得到所述目標(biāo)概率值P(y＝1|h)。

4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述利用所述LSTM模型的流數(shù)據(jù)滑動(dòng)窗口學(xué)習(xí)每類所述傳感器在所述歷史時(shí)刻檢測(cè)到的數(shù)據(jù)，得到正常點(diǎn)的目標(biāo)概率值P(y＝1|h)，包括：

利用所述LSTM模型的流數(shù)據(jù)滑動(dòng)窗口分別學(xué)習(xí)每一類傳感器在所述歷史時(shí)刻檢測(cè)到的數(shù)據(jù)的特征，得到第一隱藏向量表示；

將所述第一隱藏向量表示通過(guò)所述LSTM模型的邏輯回歸層處理，得到所述第一概率值P(y＝1|h₁)；

利用所述LSTM模型的流數(shù)據(jù)滑動(dòng)窗口學(xué)習(xí)所有傳感器在所述歷史時(shí)刻檢測(cè)到的數(shù)據(jù)的特征，得到第二隱藏向量表示；

將所述第二隱藏向量表示通過(guò)所述LSTM模型的邏輯回歸層處理，得到第二概率值P(y＝1|h₂)；

根據(jù)所述第一概率值P(y＝1|h₁)和所述第二概率值P(y＝1|h₂)通過(guò)如下公式計(jì)算得到所述目標(biāo)概率值P(y＝1|h)：

P(y＝1|h)＝sigmoid(α·P(y＝1|h₁)+β·P(y＝1|h₂))；

其中，α大于0，β大于0，且α+β＝1，sigmoid為激活函數(shù)。

5.根據(jù)權(quán)利要求2至4任一項(xiàng)所述的方法，其特征在于，所述根據(jù)正常點(diǎn)的標(biāo)簽及所述目標(biāo)概率值P(y＝1|h)，計(jì)算獲得交叉熵，包括：

通過(guò)如下公式計(jì)算正常點(diǎn)的標(biāo)簽及所述目標(biāo)概率值P(y＝1|h)的交叉熵L(θ)：

L(θ)＝-(ylogP(y＝1|h)+(1-y)log(1-P(y＝1|h)))。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述根據(jù)所述損失函數(shù)調(diào)整所述LSTM模型的參數(shù)，包括：

根據(jù)所述損失函數(shù)L(θ)通過(guò)隨機(jī)梯度下降算法對(duì)模型參數(shù)進(jìn)行調(diào)整。

7.一種檢測(cè)裝置，其特征在于，包括：

訓(xùn)練模塊，用于根據(jù)每類傳感器在歷史時(shí)刻檢測(cè)到的數(shù)據(jù)，以及每一所述歷史時(shí)刻的實(shí)測(cè)異常點(diǎn)數(shù)據(jù)訓(xùn)練長(zhǎng)短時(shí)記憶遞歸神經(jīng)網(wǎng)絡(luò)LSTM模型，形成已訓(xùn)練LSTM模型，其中，每類所述傳感器在所述歷史時(shí)刻檢測(cè)到的數(shù)據(jù)作為訓(xùn)練所述LSTM模型的一個(gè)輸入向量；

檢測(cè)模塊，用于將每類所述傳感器在當(dāng)前時(shí)刻檢測(cè)到的數(shù)據(jù)作為所述已訓(xùn)練LSTM模型的輸入，得到所述已訓(xùn)練LSTM模型輸出的異常點(diǎn)數(shù)據(jù)檢測(cè)結(jié)果。