[發明專利]基于機器學習的數據實時監控方法以及裝置

在審

• 申請號: 202011094653.2
• 申請日: 2020-10-14
• 公開（公告）號: CN112256526A
• 公開（公告）日: 2021-01-22
• 發明（設計）人: 李文齊;林誥;劉金杰;樂振滸;趙陽
• 申請（專利權）人: 中國銀聯股份有限公司
• 主分類號: G06F11/30
• 分類號: G06F11/30;G06N20/00
• 代理公司: 北京市中倫律師事務所 11410
• 代理人: 楊黎峰

1.一種基于機器學習的數據實時監控方法，其特征在于，包括：

采用歷史指標數據的真實值訓練多層結構預測器，所述多層結構預測器中每層結構包括多個不同類型的預測器；

將待預測的未來時間段輸入至訓練完成的多層結構預測器中，輸出未來指標數據的預測值；

根據所述未來指標數據的預測值和歷史預測誤差，計算告警閾值范圍；

在所述未來指標數據的真實值超出所述告警閾值范圍的情況下，觸發告警。

2.根據權利要求1所述的方法，其特征在于，所述多個不同類型的預測器包括彈性網絡預測器、決策樹預測器、k近鄰預測器、隨機森林預測器、套索回歸預測器、支持向量回歸預測器以及梯度提升預測器。

3.根據權利要求1所述的方法，其特征在于，所述采用歷史指標數據的真實值訓練多層結構預測器，包括：

采用所述歷史指標數據的真實值分別訓練多個不同類型的第N-1層預測器，訓練完成的第N-1層預測器用于預測所述歷史指標數據的第N-1實際預測值；

采用全部的第N-1實際預測值混合得到的混合數據集和所述歷史指標數據的目標預測值，訓練至少一個第N層預測器，訓練完成的第N層預測器用于預測所述歷史指標數據的第N實際預測值，其中，N大于或等于2；

在層數N達到對應預設值的情況下，多個訓練完成的第一層預測器至訓練完成的第N層預測器構成所述多層結構預測器。

4.根據權利要求3所述的方法，其特征在于，還包括：

在所述層數N未達到對應預設值的情況下，返回執行所述采用全部的第N-1實際預測值混合得到的混合數據集和歷史指標數據的目標預測值，訓練至少一個第N層預測器的步驟。

5.根據權利要求3所述的方法，其特征在于，所述采用所述歷史指標數據的真實值分別訓練多個不同類型的第N-1層預測器，訓練完成的第N-1層預測器用于預測所述歷史指標數據的第N-1實際預測值，包括：

將所述歷史指標數據的真實值拆分為第一數據集和第二數據集；

N＝2的情況下，采用所述第一數據集訓練所述多個不同類型的第一層預測器，并將所述第二數據集輸入至各個訓練完成的第一層預測器中，得到對應的歷史指標數據的第一實際預測值。

6.根據權利要求5所述的方法，其特征在于，所述N＝2的情況下，采用所述第一數據集訓練所述多個不同類型的第一層預測器，并將所述第二數據集輸入至各個訓練完成的第一層預測器中，得到對應的歷史指標數據的第一實際預測值，包括：

將所述第一數據集X1(x∈X1)映射到所述多個第一層預測器對應的特征轉換函數f₁，f₂，...，f_M，得到轉換特征f₁(x)...f_j(x)...f_M(x)，f_j(x)∈實數集；

采用所述轉換特征f₁(x)，...f_j(x)...f_M(x)訓練所述多個第一層預測器，得到多個訓練完成的第一層預測器對應的第一層預測函數g₁...g_i...g_L；

將所述第二數據集X2(x∈X2)輸入至各個第一層預測函數g_i(x)中，得到對應的歷史指標數據的第一實際預測值；

其中，i＝1...L，j＝1...M，L≥1，M≥1，M≥L，M表示所述特征轉換函數的數量，L表示所述第一層預測器的數量。