[發(fā)明專利]一種具有周期性的多元時間序列異常檢測方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110010864.1
• 申請日: 2021-01-06
• 公開（公告）號: CN112685476A
• 公開（公告）日: 2021-04-20
• 發(fā)明（設計）人: 金佳佳;丁鍇;韓瀟;李建元;陳濤
• 申請（專利權）人: 銀江股份有限公司
• 主分類號: G06F16/2458
• 分類號: G06F16/2458;G06N3/04
• 代理公司: 杭州之江專利事務所(普通合伙) 33216
• 代理人: 張慧英

本發(fā)明涉及異常數(shù)據(jù)檢測技術領域，尤其涉及一種具有周期性的多元時間序列異常檢測方法及系統(tǒng),該方法包括：構建對抗生成網(wǎng)絡的編碼器，通過編碼器學習時間的周期性，學習時間和變量之間復雜的依賴關系，輸出編碼器隱含向量；構建對抗生成網(wǎng)絡的解碼器，通過解碼器生成當前時刻的多元序列(假數(shù)據(jù))；構建模型，通過異常檢測分類器識別真假數(shù)據(jù)來增強分類器的敏感度；構建綜合損失函數(shù)優(yōu)化模型準確度；以及異常檢測分類器預測待檢測數(shù)據(jù)。本發(fā)明的有益效果在于：解決具有周期性的多元時間序列異常檢測問題,提高異常檢測模型的敏感性。

技術領域

本發(fā)明涉及異常數(shù)據(jù)檢測技術領域，尤其涉及一種具有周期性的多元時間序列異常檢測方法及系統(tǒng)。

背景技術

時間序列是按照時間排序的一組隨機變量，它通常是在相等間隔的時間段內(nèi)依照給定的采樣率對某種潛在過程進行觀測的結果，多元時間序列數(shù)據(jù)是指多組隨機變量隨時間不斷變化的趨勢，具有周期性的多元時間序列數(shù)據(jù)是指多組隨機變量隨時間變化的趨勢具有周期性。多元時間序列數(shù)據(jù)分析是指對多變量時間序列的研究，實際中很多序列的變化規(guī)律都會受到其他序列的影響。例如，在工程上要研究電流與電壓同時隨時間變化的情況；在化學變化中要分析壓力、溫度和體積的變化關系；在氣象預報分析時需要同時考慮該地區(qū)的雨量、氣溫和氣壓等記錄資料。所以多元時間序列數(shù)據(jù)分析不僅要把他們各分量看做單變量過程來研究，而且要研究各分量之間的關系及變化規(guī)律。

時間序列異常檢測是從正常的時間序列中識別不正常的事件或行為的過程。有效的異常檢測被廣泛用于現(xiàn)實世界的很多領域，例如量化交易，網(wǎng)絡安全檢測、自動駕駛汽車和大型工業(yè)設備的日常維護。以在軌航天器為例，由于航天器昂貴且系統(tǒng)復雜，未能檢測到危險可能會導致嚴重甚至無法彌補的損害。異常隨時可能發(fā)展為嚴重故障，因此準確及時的異常檢測可以提醒航天工程師今早采取措施。隨著多元時間序列數(shù)據(jù)的發(fā)展，多元時間序列異常檢測引起了研究者們的關注。專利申請?zhí)朇N202010439838.6提供一種多元時間序列異常模式預測方法及數(shù)據(jù)采集監(jiān)控裝置，該方法采用自然近鄰原理和MMOD算法實現(xiàn)多元時間序列異常模式的在線識別。專利申請?zhí)朇N202010752303.4提供一種服務系統(tǒng)異常檢測方法、裝置、計算機設備和存儲介質(zhì)，采用編解碼的方法對多元時間序列數(shù)據(jù)重構并進行對比，提高異常檢測準確度。

根據(jù)多元時間序列數(shù)據(jù)的特點使得具有周期性多元時間序列異常檢測存在以下難點：1、時間趨勢上存在周期性，需學習時間局部周期內(nèi)的變化趨勢以及時間全局周期間的變化趨勢；2、多元時間序列異常檢測需要考慮整體變量之間的關聯(lián)，一個變量的異常不代表此刻的數(shù)據(jù)異常，可能是存在數(shù)據(jù)污染情況，需學習多組隨機變量之間的協(xié)同關系；3、異常多元時間序列數(shù)據(jù)收集困難，存在數(shù)據(jù)偏移。

發(fā)明內(nèi)容

本發(fā)明為克服上述的不足之處，目的在于提供一種具有周期性的多元時間序列異常檢測方法及系統(tǒng)，能夠增強模型的魯棒性、提高檢測模型的敏感度，解決具有周期性的多元時間序列異常檢測問題。

本發(fā)明是通過以下方案達到上述目的：一種具有周期性的多元時間序列異常檢測方法，包括以下步驟：

S1:收集多元時間序列并進行預處理，得到訓練數(shù)據(jù)x形成的多元時間序列實例向量X；

S2:構建對抗生成網(wǎng)絡的編碼器，輸出多元時間序列隱含向量T′_VM；

S3:構建對抗生成網(wǎng)絡的解碼器，輸出重構后的多元時間序列x_；

S4:x_部分替換訓練數(shù)據(jù)x形成訓練數(shù)據(jù)x'，x'輸入對抗生成網(wǎng)絡的編碼器，輸出x'對應重構后的隱含向量T_VM”；

S5:截取當前周期的多元時間序列得到真實訓練數(shù)據(jù)train_1和異常訓練數(shù)據(jù)train_0，將真實訓練數(shù)據(jù)train_1和異常訓練數(shù)據(jù)train_0輸入異常檢測分類器，輸出標簽向量T″_class；