[發(fā)明專利]多元KPI時間序列的檢測方法、裝置、設(shè)備及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202011004044.3
• 申請日: 2020-09-22
• 公開（公告）號: CN112131272A
• 公開（公告）日: 2020-12-25
• 發(fā)明（設(shè)計）人: 鄧悅;鄭立穎;徐亮
• 申請（專利權(quán)）人: 平安科技（深圳）有限公司
• 主分類號: G06F16/2458
• 分類號: G06F16/2458;G06N3/04;G06N3/063
• 代理公司: 深圳市力道知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44507
• 代理人: 張傳義

1.一種多元KPI時間序列的檢測方法，其特征在于，包括：

根據(jù)預(yù)置切分策略和待訓(xùn)練的多元KPI時間序列，確定對應(yīng)的待訓(xùn)練的多段子多元KPI時間序列，其中，所述待訓(xùn)練的子多元KPI時間序列為無標(biāo)簽；

根據(jù)所述待訓(xùn)練的子多元KPI時間序列訓(xùn)練預(yù)置模型，生成對應(yīng)的確定性模型；

獲取待檢測的多元KPI時間序列；

根據(jù)所述待檢測的多元KPI時間序列和所述確定性模型，獲取所述待檢測的多元KPI時間序列中待檢測數(shù)值的重建概率值；

根據(jù)預(yù)置閾值和所述待檢測數(shù)值的重建概率值，確定所述待檢測數(shù)值對應(yīng)的時刻是否為異常點(diǎn)。

2.如權(quán)利要求1所述的多元KPI時間序列的檢測方法，其特征在于，所述根據(jù)所述待訓(xùn)練的子多元KPI時間序列訓(xùn)練預(yù)置模型，生成對應(yīng)的確定性模型，包括：

將所述待訓(xùn)練的子多元KPI時間序列輸入所述預(yù)置模型，提取所述待訓(xùn)練的子多元KPI時間序列中的數(shù)值；

根據(jù)預(yù)置編碼程序?qū)λ鰯?shù)值進(jìn)行編碼，獲取所述數(shù)值的第一高斯分布和第一輔助變量；

根據(jù)預(yù)置解碼程序?qū)λ龅谝惠o助變量進(jìn)行解碼，得到所述數(shù)值對應(yīng)的第二高斯分布；

根據(jù)所述第一高斯分布和第二高斯分布訓(xùn)練所述預(yù)置模型的損失函數(shù)，生成對應(yīng)的確定性模型。

3.如權(quán)利要求2所述的多元KPI時間序列的檢測方法，其特征在于，所述預(yù)置編碼程序包括第一預(yù)置神經(jīng)網(wǎng)絡(luò)模型和第一全連接層，所述根據(jù)預(yù)置編碼程序?qū)λ鰯?shù)值進(jìn)行編碼，獲取所述數(shù)值的第一高斯分布和第一輔助變量，包括：

根據(jù)所述數(shù)值和第一預(yù)置神經(jīng)網(wǎng)絡(luò)模型，得到所述第一預(yù)置神經(jīng)網(wǎng)絡(luò)模型的第一隱藏變量；

根據(jù)第一預(yù)置全連接層和所述第一隱藏變量，得到所述數(shù)值對應(yīng)的第一高斯分布；

基于所述第一高斯分布得到所述數(shù)值的第一輔助變量。

4.如權(quán)利要求2所述的多元KPI時間序列的檢測方法，其特征在于，所述解碼程序包括第二預(yù)置神經(jīng)網(wǎng)絡(luò)模型和第二預(yù)置全連接層，所述根據(jù)預(yù)置解碼程序?qū)λ龅谝惠o助變量進(jìn)行解碼，得到所述數(shù)值對應(yīng)的第二高斯分布，包括：

根據(jù)所述第一輔助變量和第二預(yù)置神經(jīng)網(wǎng)絡(luò)模型，得到所述第二預(yù)置神經(jīng)網(wǎng)絡(luò)模型的第二隱藏變量；

根據(jù)第二預(yù)置全連接層和所述第二隱藏變量，得到所述數(shù)值對應(yīng)的第二高斯分布。

5.如權(quán)利要求2所述的多元KPI時間序列的檢測方法，其特征在于，所述根據(jù)所述第一高斯分布和第二高斯分布訓(xùn)練所述預(yù)置模型的損失函數(shù)，生成對應(yīng)的確定性模型，包括：

獲取所述第二高斯分布中的累積分布概率；

根據(jù)所述累積分布概率和第一預(yù)置損失函數(shù)，得到所述數(shù)值的重建概率；

根據(jù)所述第一高斯分布，得到所述第一高斯分布的正則項(xiàng)；

根據(jù)所述正則項(xiàng)和第二預(yù)置損失函數(shù)，得到所述數(shù)值的正則化項(xiàng)；

基于所述重建概率和所述正則化項(xiàng)訓(xùn)練所述解碼程序的網(wǎng)絡(luò)參數(shù)和所述編碼程序的網(wǎng)絡(luò)參數(shù)，生成對應(yīng)的確定性模型。

6.如權(quán)利要求5所述的多元KPI時間序列的檢測方法，其特征在于，所述得到所述數(shù)值的重建概率之后，還包括：

記錄所述待訓(xùn)練的子多元KPI時間序列中各個數(shù)值的重建概率，并將各個所述數(shù)值的重建概率進(jìn)行排序；

確定排序后所述重建概率中預(yù)置序號對應(yīng)的目標(biāo)重建概率，并將所述目標(biāo)重建概率作為預(yù)置閾值。

7.如權(quán)利要求1所述的多元KPI時間序列的檢測方法，其特征在于，所述根據(jù)預(yù)置閾值和所述待檢測數(shù)值的重建概率值，確定所述待檢測數(shù)值的時刻是否為異常點(diǎn)，包括：

將所述待檢測數(shù)值的重建概率值與預(yù)置閾值進(jìn)行比對，確定所述待檢測數(shù)值的時刻是否為異常點(diǎn)；

若所述待檢測數(shù)值的重建概率值小于所述預(yù)置閾值，則確定所述待檢測數(shù)值的時刻為異常點(diǎn)。