[發(fā)明專利]物聯(lián)網(wǎng)卡時(shí)序異常檢測方法及裝置

在審

• 申請?zhí)枺?/td>: 202111179890.3
• 申請日: 2021-10-11
• 公開（公告）號: CN113887640A
• 公開（公告）日: 2022-01-04
• 發(fā)明（設(shè)計(jì)）人: 楊鶴鳴;林濤;李斌;李晁銘;陳華榮;麥洪永;梁秉豪;張梁棟
• 申請（專利權(quán)）人: 廣東省電信規(guī)劃設(shè)計(jì)院有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州三環(huán)專利商標(biāo)代理有限公司 44202
• 代理人: 肖宇揚(yáng)

本發(fā)明公開了一種物聯(lián)網(wǎng)卡時(shí)序異常檢測方法及裝置，其中該方法包括：獲取目標(biāo)物聯(lián)網(wǎng)卡時(shí)序數(shù)據(jù)；將所述目標(biāo)物聯(lián)網(wǎng)卡時(shí)序數(shù)據(jù)輸入至異常預(yù)測網(wǎng)絡(luò)模型，以得到事前異常預(yù)測結(jié)果；將所述目標(biāo)物聯(lián)網(wǎng)卡時(shí)序數(shù)據(jù)輸入至異常檢測網(wǎng)絡(luò)模型，以得到事后異常檢測結(jié)果；所述異常檢測網(wǎng)絡(luò)模型包括神經(jīng)網(wǎng)絡(luò)模型；根據(jù)所述事前異常預(yù)測結(jié)果和所述事后異常檢測結(jié)果，確定所述目標(biāo)物聯(lián)網(wǎng)卡時(shí)序數(shù)據(jù)的異常檢測結(jié)果。可見，本發(fā)明能夠全面精確地檢測物聯(lián)網(wǎng)卡時(shí)序數(shù)據(jù)的異常，有利于提高物聯(lián)網(wǎng)卡系統(tǒng)的穩(wěn)定性，進(jìn)而實(shí)現(xiàn)更加智能化的物聯(lián)平臺(tái)數(shù)據(jù)監(jiān)管。

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)據(jù)處理技術(shù)領(lǐng)域，尤其涉及一種物聯(lián)網(wǎng)卡時(shí)序異常檢測方法及裝置。

背景技術(shù)

物聯(lián)網(wǎng)平臺(tái)所接入的海量設(shè)備需實(shí)時(shí)監(jiān)測或控制，信息雙向交互頻繁，運(yùn)維難度大，針對不同場景，需要利用物聯(lián)網(wǎng)平臺(tái)支撐各類物聯(lián)終端可觀可測可控，并能夠?qū)崟r(shí)響應(yīng)物聯(lián)終端設(shè)備運(yùn)行情況和故障告警，以進(jìn)一步提升物聯(lián)網(wǎng)平臺(tái)終端設(shè)備運(yùn)行狀態(tài)監(jiān)控管理能力，為物聯(lián)終端設(shè)備故障快速定位、維修等工作提供重要指導(dǎo)信息，提升物聯(lián)網(wǎng)安全運(yùn)維水平，促進(jìn)物聯(lián)網(wǎng)數(shù)據(jù)共享及業(yè)務(wù)發(fā)展。

傳統(tǒng)的設(shè)備監(jiān)控模塊自動(dòng)故障告警功能主要是根據(jù)實(shí)時(shí)數(shù)據(jù)是否超出指標(biāo)正常范圍來執(zhí)行告警，而這種指標(biāo)范圍往往是通過專業(yè)知識(shí)來確定，雖然這種方法能夠從理論角度提供有效的告警信息，但由于指標(biāo)范圍相對固定，未必能適應(yīng)到某些實(shí)際應(yīng)用場景，從而會(huì)返回機(jī)械性的告警判斷，另外這種告警方法只能在事后告警，并不能實(shí)現(xiàn)事前預(yù)警。可見，現(xiàn)有技術(shù)存在缺陷，亟待解決。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題在于，提供一種物聯(lián)網(wǎng)卡時(shí)序異常檢測方法及裝置，能夠全面精確地檢測物聯(lián)網(wǎng)卡時(shí)序數(shù)據(jù)的異常，有利于提高物聯(lián)網(wǎng)卡系統(tǒng)的穩(wěn)定性，進(jìn)而實(shí)現(xiàn)更加智能化的物聯(lián)平臺(tái)數(shù)據(jù)監(jiān)管。

為了解決上述技術(shù)問題，本發(fā)明第一方面公開了一種物聯(lián)網(wǎng)卡時(shí)序異常檢測方法，所述方法包括：

獲取目標(biāo)物聯(lián)網(wǎng)卡時(shí)序數(shù)據(jù)；

將所述目標(biāo)物聯(lián)網(wǎng)卡時(shí)序數(shù)據(jù)輸入至異常預(yù)測網(wǎng)絡(luò)模型，以得到事前異常預(yù)測結(jié)果；

將所述目標(biāo)物聯(lián)網(wǎng)卡時(shí)序數(shù)據(jù)輸入至異常檢測網(wǎng)絡(luò)模型，以得到事后異常檢測結(jié)果；所述異常檢測網(wǎng)絡(luò)模型包括神經(jīng)網(wǎng)絡(luò)模型；

根據(jù)所述事前異常預(yù)測結(jié)果和所述事后異常檢測結(jié)果，確定所述目標(biāo)物聯(lián)網(wǎng)卡時(shí)序數(shù)據(jù)的異常檢測結(jié)果。

作為一種可選的實(shí)施方式，在本發(fā)明第一方面中，所述異常預(yù)測網(wǎng)絡(luò)模型包括預(yù)測模型和分類模型；所述將所述目標(biāo)物聯(lián)網(wǎng)卡時(shí)序數(shù)據(jù)輸入至異常預(yù)測網(wǎng)絡(luò)模型，以得到事前異常預(yù)測結(jié)果，包括：

將所述目標(biāo)物聯(lián)網(wǎng)卡時(shí)序數(shù)據(jù)輸入至所述預(yù)測模型，得到所述目標(biāo)物聯(lián)網(wǎng)卡時(shí)序數(shù)據(jù)對應(yīng)的在當(dāng)前時(shí)刻的下一預(yù)設(shè)時(shí)間段內(nèi)的預(yù)測值；

將所述預(yù)測值輸入至所述分類模型，得到所述預(yù)測值對應(yīng)的異常分類，將所述異常分類確定為事前異常預(yù)測結(jié)果。

作為一種可選的實(shí)施方式，在本發(fā)明第一方面中，所述預(yù)測模型包括主預(yù)測模型和誤差校正模型；所述將所述目標(biāo)物聯(lián)網(wǎng)卡時(shí)序數(shù)據(jù)輸入至所述預(yù)測模型，得到所述目標(biāo)物聯(lián)網(wǎng)卡時(shí)序數(shù)據(jù)對應(yīng)的在當(dāng)前時(shí)刻的下一預(yù)設(shè)時(shí)間段內(nèi)的預(yù)測值，包括：

將所述目標(biāo)物聯(lián)網(wǎng)卡時(shí)序數(shù)據(jù)輸入至所述主預(yù)測模型，以得到所述目標(biāo)物聯(lián)網(wǎng)卡時(shí)序數(shù)據(jù)對應(yīng)的在當(dāng)前時(shí)刻的下一預(yù)設(shè)時(shí)間段內(nèi)的主預(yù)測值；

將所述目標(biāo)物聯(lián)網(wǎng)卡時(shí)序數(shù)據(jù)輸入至所述誤差校正模型，以得到所述目標(biāo)物聯(lián)網(wǎng)卡時(shí)序數(shù)據(jù)對應(yīng)的在當(dāng)前時(shí)刻的下一預(yù)設(shè)時(shí)間段內(nèi)的誤差預(yù)測值；

將所述目標(biāo)物聯(lián)網(wǎng)卡時(shí)序數(shù)據(jù)對應(yīng)的所述主預(yù)測值和所述誤差預(yù)測值的疊加值，確定為所述目標(biāo)物聯(lián)網(wǎng)卡時(shí)序數(shù)據(jù)對應(yīng)的在當(dāng)前時(shí)刻的下一預(yù)設(shè)時(shí)間段內(nèi)的預(yù)測值。

作為一種可選的實(shí)施方式，在本發(fā)明第一方面中，所述主預(yù)測模型為LSTM網(wǎng)絡(luò)模型，和/或，所述誤差校正模型為LSTM網(wǎng)絡(luò)模型。