[發明專利]基于人工智能的數據檢測方法、裝置、服務器及存儲介質

有效

• 申請號: 202011639634.3
• 申請日: 2020-12-31
• 公開（公告）號: CN112732983B
• 公開（公告）日: 2023-09-12
• 發明（設計）人: 陳楨博;鄭立穎;徐亮
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06F16/903
• 分類號: G06F16/903
• 代理公司: 深圳市力道知識產權代理事務所(普通合伙) 44507
• 代理人: 張傳義

1.一種基于人工智能的數據檢測方法，其特征在于，應用于服務器，所述服務器存儲有時序數據預測模型，所述時序數據預測模型包括預先訓練好的第一Transformer模型和第二Transformer模型，所述方法包括：

獲取目標檢測指標的當前時序數據；

根據所述當前時序數據生成當前時序向量，并獲取所述目標檢測指標的歷史時序數據，確定所述歷史時序數據對應的第一時間信息；所述目標檢測指標為k個，第一時間信息包括歷史時序數據的m個時間點信息，k、m為大于等于1的正整數；

按照所述m個時間點信息，對k個所述目標檢測指標的歷史時序數據進行排列，以生成k*m的矩陣向量，并將所述矩陣向量作為第一時序向量；

獲取預設函數，所述預設函數為包括時間特征參數的正弦函數、余弦函數、或者正弦函數與余弦函數的組合函數；

將所述歷史時序數據和第一時間信息代入至所述預設函數，得到所述歷史時序數據的修正信息；根據所述歷史時序數據和所述歷史時序數據的修正信息，生成第一修正向量；拼接所述第一時序向量和第一修正向量，得到歷史時序向量；

通過所述第一Transformer模型，將所述歷史時序向量和當前時序向量進行關聯，得到關聯時序向量；

將所述關聯時序向量輸入至所述第二Transformer模型，得到所述當前時序數據的下一時序的預測數據；

獲取所述當前時序數據的下一時序的目標時序數據，通過所述預測數據和目標時序數據，對所述目標時序數據進行異常檢測。

2.如權利要求1所述的數據檢測方法，其特征在于，所述歷史時序向量對應的時間長度大于或等于第一預設時間長度，所述當前時序向量對應的時間長度小于或等于第二預設時間長度。

3.如權利要求1-2中任一項所述的數據檢測方法，其特征在于，所述第一Transformer模型包括Transformer運算層和前饋神經網絡層；所述通過所述第一Transformer模型，將所述歷史時序向量和當前時序向量進行關聯，得到關聯時序向量，包括：

通過所述Transformer運算層，對所述歷史時序向量和當前時序向量進行運算，得到關聯時序數據；

通過所述前饋神經網絡層，對所述關聯時序數據進行映射，得到關聯時序向量。

4.如權利要求1-2中任一項所述的數據檢測方法，其特征在于，所述方法還包括：

獲取多個樣本數據，所述樣本數據包括第一時序數據、第二時序數據和標注的時序數據，所述第一時序數據的采集時間晚于所述第二時序數據；

根據所述第一時序數據生成第一時序向量，并根據所述第二時序數據生成第二時序向量；

通過第一預設Transformer模型，對所述第一時序向量和所述第二時序向量進行關聯，得到目標時序向量；

將所述目標時序向量輸入至第二預設Transformer模型，得到預測的時序數據；

根據所述預測的時序數據和所述標注的時序數據，更新所述第一預設Transformer模型和第二預設Transformer模型的模型參數；

繼續對更新后的所述第一預設Transformer模型和第二預設Transformer模型進行迭代訓練，直至所述第一預設Transformer模型和第二預設Transformer模型收斂，得到所述時序數據預測模型。