CN109740630A - 异常数据处理方法及装置 - Google Patents

Abstract

本发明提供了一种异常数据处理方法及装置，该方法应用于数据处理技术领域，所述方法包括：获取待处理数据；基于预设训练模型检测所述待处理数据中的异常数据；根据所述异常数据的数据特性确定所述异常数据的异常类型；根据所述异常类型对所述异常数据进行修正。本发明提供的异常数据处理方法及装置能够实现待处理数据异常值的检测和快速修正。

Description

异常数据处理方法及装置

技术领域

本发明属于数据处理技术领域，更具体地说，是涉及一种异常数据处理方法及装置。

背景技术

在现实中,由于人为错误或自然错误会导致产生数据异常值，在多数据源的环境下，出现数据异常并产生数据冲突的概率大大增加。如何处理这些异常值便是数据清洗所面临的一个重要课题。

在数据处理中，尤其在作函数拟合时，异常点的出现不仅会很大程度的改变函数拟合的效果，而且有时还会使得函数的梯度出现奇异梯度，很容易导致算法的终止，从而影响研究变量之间的函数关系。为了有效的避免这些异常点造成的损失，我们需要采取一定的方法对其进行处理。但在多数据源、大数据量的情况下，现有技术中缺少一种检测异常值并对异常值进行快速处理的方法。

发明内容

本发明的目的在于提供一种异常数据处理方法及装置，以解决现有技术中存在的无法快速进行异常数据处理的技术问题。

本发明实施例的第一方面，提供了一种异常数据处理方法，所述方法包括：

获取待处理数据；

基于预设训练模型检测所述待处理数据中的异常数据；

根据所述异常数据的数据特性确定所述异常数据的异常类型；

根据所述异常类型对所述异常数据进行修正。

本发明实施例的第二方面，提供了一种异常数据处理装置，所述装置包括：

数据获取模块，用于获取待处理数据；

检测模块，用于基于预设训练模型检测所述待处理数据中的异常数据；

判断模块，用于根据所述异常数据的数据特性确定所述异常数据的异常类型；

修正模块，用于根据所述异常类型对所述异常数据进行修正。

本发明实施例的第三方面，提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的异常数据处理方法的步骤。

本发明实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的异常数据处理方法的步骤。

本发明提供的异常数据处理方法及装置的有益效果在于：本发明提供的异常数据处理方法及装置先根据预设训练模型对待处理数据中的异常值进行检测，再根据异常数据的数据特性判断异常数据的异常类型，根据该异常类型有针对地对异常数据进行修正，从而实现对异常数据的检测和快速修正。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例提供的异常数据处理方法的流程示意图；

图2为本发明另一实施例提供的异常数据处理方法的流程示意图；

图3为本发明再一实施例提供的异常数据处理方法的流程示意图；

图4为本发明又一实施例提供的异常数据处理方法的流程示意图；

图5为本发明又一实施例提供的异常数据处理方法的流程示意图；

图6为本发明又一实施例提供的异常数据处理方法的流程示意图；

图7为本发明一实施例提供的异常数据处理装置的结构框图；

图8为本发明一实施例提供的终端设备的示意框图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

请参考图1，为本发明一实施例提供的异常数据处理方法的流程示意图。该方法包括：

S101：获取待处理数据。

在本实施例中，可以采用分批获取的方式对待处理数据进行获取，可对待处理数据的数据源和数据量进行标记，再结合网络传输能力和当前设备的硬件存储能力确定每批次数据获取的数据源和获取量。

S102：基于预设训练模型检测待处理数据中的异常数据。

在本实施例中，可以采用半监督异常检测的方式，利用待处理数据中的正常数据构造一个预测模型，即预设训练模型，在进行异常检测时，若将待处理数据的数据点输入至该预测模型中，预测模型会判断该数据点是否属于正常数据分类，若不属于正常数据分类，则将该数据点确定为异常数据。

S103：根据异常数据的数据特性确定异常数据的异常类型。

在本实施例中，根据异常数据的数据特性确定异常数据的数据类型以针对性地对异常数据进行修正，提高数据修正的准确率。

S104：根据异常类型对异常数据进行修正。

在本实施例中，对应不同的异常类型，本发明实施例提供了不同的数据修正方法以保证快速准确地实现数据修正。

从上述描述可知，本发明实施例提供的异常数据处理方法先根据预设训练模型对待处理数据中的异常值进行检测，再根据异常数据的数据特性判断异常数据的异常类型，根据该异常类型有针对地对异常数据进行修正，从而实现对异常数据的检测和快速修正。

请一并参考图1及图2，图2为本申请另一实施例提供的异常数据处理方法的流程示意图。在上述实施例的基础上，步骤S101详述为：

S201：对待处理数据的数据源和数据量进行标记。

在本实施例中，对待处理数据的数据源和数据量进行标记主要有两个作用：第一，可以根据数据源和数据量对待处理数据进行分批，从而分批获取数据，避免获取大数据量数据时出现遗漏或者重复的情况。第二，可以根据标记的数据源和数据量分别进行异常数据的检测，统计各个数据源异常数据出现的频次和数量，以保证快速进行后期修正或者寻找异常原因。

S202：根据标记分批获取待处理数据。

在本实施例中，分批获取包括数据源内分批和数据源间分批。数据源内获取即表示所标记的数据源的数据量较大，因此同一个数据源分为多个批次获取。数据源间获取即表示所标记的数据源的数据量较小，对于用一个数据源只需进行一次获取，因此每个数据源的数据即为一批。

请一并参考图1及图3，图3为本发明再一实施例提供的异常数据处理方法的流程示意图，在上述实施例的基础上，预设训练模型的建立方法包括：

S301：随机选取待处理数据中的部分数据作为数据实例。

S302：对数据实例进行标记得到标记数据。

S303：根据标记数据中标记为正常的数据建立预设训练模型。

在本实施例中，根据标记数据中标记为正常的数据建立预设训练模型，该预设训练模型的建立方法为：

首先，对训练集X进行聚类得到k个簇，即X＝{C₁，C₂，…，C_k}，其中，可以使用K-means聚类算法对该训练集进行聚类。

其次，计算每个簇C_i(1<i<k)的离群因子Q_i：

式中，Q_i为离群因子，m_i为簇C_i中数据点的个数，lⁱ _j为簇C_i中第j个数据点，c_i为簇C_i的簇心。

最后，根据离群因子确定正常数据范围，即(0.95*Q_i，1.05*Q_i)。

其中，利用预设训练模型检测数据点的过程为：将数据点输入至预设训练模型中，计算数据点与预设训练模型中各个簇心的距离，若某个簇C_i的簇心距离数据点最近，则将数据点加入簇C_i中并计算加入该数据点之后的簇的离群因子Q_i1，Q_i表示该数据点加入簇C_i前的离群因子。若0.95*Q_i≤Q_i1≤1.05*Q_i，则将该数据点标记为正常。

请一并参考图1及图4，图4为本申请又一实施例提供的异常数据处理方法的流程示意图。在上述实施例的基础上，步骤S102详述为：

S401：输入待处理数据中的数据点至预设训练模型。

S402：若预设训练模型的输出结果标记不为正常，则确定待处理数据为异常数据。

在本实施例中，可以采用半监督异常数据检测的方式，即只获取标记正常的数据对预设训练模型进行训练。输入待处理数据中的数据点至预设训练模型，若预设训练模型的输出结果标记不为正常，则确定待处理数据为异常数据。

若待处理数据的数据量较小，可采用有监督异常数据检测的方式，标记数据中的标记包括正常和异常，有监督异常检测即根据所有标记数据建立预设训练模型，则该有监督的预设训练模型可直接根据模型的输出结果判断待处理数据中的数据点是否为异常数据，即若有监督预设训练模型的输出标记为异常，即判断待处理数据的数据点为异常数据。

从上述描述可知，本发明实施例采用半监督异常检测方式简单快捷，训练简单，可快速对大批量数据进行异常检测。

请一并参考图1至图5，图5为本申请又一实施例提供的异常数据处理方法的流程示意图。在上述实施例的基础上，上述步骤S103详述为：

S501：若异常数据为单个数据实例，则确定异常数据为点异常。

在本实施例中，若异常数据为单个数据实例，则确定异常数据为点异常。若该异常数据只在特定数据环境中为异常数据，则可进一步将该异常数据的异常类型确定为上下文异常。

S502：若异常数据为多个数据实例的集合，则确定异常数据为集合异常。

在本实施例中，若异常数据为多个数据实例的集合，即集合中单一数据不为异常数据，但集合中的多个数据实例同时出现时则为异常数据，则确定此种异常数据的异常类型为集合异常。

请一并参考图1至图6，图6为本申请又一实施例提供的异常数据处理方法的流程示意图。在上述实施例的基础上，上述步骤S104详述为：

S601：若异常类型为点异常，则根据待处理数据的特性值对异常数据进行修正。

在本实施例中，若异常数据的异常类型为点异常，则可根据待处理数据的中位数、众数或者平均值替代异常值进行修正。若异常数据的异常类型为上下文异常，则直接使用众数替代异常值进行修正。

S602：若异常类型为集合异常，则根据异常数据所在集合的聚类填充值对异常数据进行修正。

在本实施例中，若异常数据的异常类型为集合异常，则可以采用缺失值的处理方法对异常数据进行修正，即采用聚类填充值替换异常值进行修正。该聚类填充值的确定方法为：先根据欧式距离或相关分析来确定距离具有缺失数据样本最近的K个样本，将此K个值的加权平均值来作为该样本的聚类填充值。

对应于上文实施例的异常数据处理方法，图7为本发明一实施例提供的异常数据处理装置的结构框图。为了便于说明，仅示出了与本发明实施例相关的部分。参考图7，该装置可以包括：数据获取模块10、检测模块20、判断模块30和修正模块40。

其中，数据获取模块10，用于获取待处理数据。

检测模块20，用于基于预设训练模型检测待处理数据中的异常数据。

判断模块30，用于根据异常数据的数据特性确定异常数据的异常类型。

修正模块40，用于根据异常类型对异常数据进行修正。

参考图7，在本发明的另一个实施例中，数据获取模块10可以包括：

标记单元11，用于对待处理数据的数据源和数据量进行标记。

获取单元12，用于根据标记分批获取待处理数据。

参考图7，在本发明的再一个实施例中，异常数据处理装置还包括模型建立模块50，模型建立模块50可以包括：

数据选取单元51，用于随机选取待处理数据中的部分数据作为数据实例。

标记单元52，用于对数据实例进行标记得到标记数据。

模型建立单元53，用于根据标记数据中标记为正常的数据建立预设训练模型。

参考图7，在本发明的又一个实施例中，检测模块20可以包括：

输入单元21，用于输入待处理数据中的数据点至预设训练模型。

检测单元22，用于若预设训练模型的输出结果标记不为正常，则确定待处理数据为异常数据。

参考图7，在本发明的又一个实施例中，判断模块30可以包括：

第一判断单元31，用于若异常数据为单个数据实例，则确定异常数据为点异常。

第二判断单元32，用于若异常数据为多个数据实例的集合，则确定异常数据为集合异常。

参考图7，在本发明的又一个实施例中，修正模块40可以包括：

第一修正单元41，用于若异常类型为点异常，则根据待处理数据的特性值对异常数据进行修正。

第二修正单元42，用于若异常类型为集合异常，则根据异常数据所在集合的聚类填充值对异常数据进行修正。

参见图8，图8为本发明一实施例提供的一种终端设备的示意框图。如图8所示的本实施例中的终端600可以包括：一个或多个处理器601、一个或多个输入设备602、一个或多个输出设备603及一个或多个存储器604。上述处理器601、输入设备602、则输出设备603及存储器604通过通信总线605完成相互间的通信。存储器604用于存储计算机程序，计算机程序包括程序指令。处理器601用于执行存储器604存储的程序指令。其中，处理器601被配置用于调用程序指令执行以下操作上述各装置实施例中各模块/单元的功能，例如图7所示模块10至50的功能。

应当理解，在本发明实施例中，所称处理器601可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

输入设备602可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等，输出设备603可以包括显示器(LCD等)、扬声器等。

该存储器604可以包括只读存储器和随机存取存储器，并向处理器601提供指令和数据。存储器604的一部分还可以包括非易失性随机存取存储器。例如，存储器604还可以存储设备类型的信息。

具体实现中，本发明实施例中所描述的处理器601、输入设备602、输出设备603可执行本发明实施例提供的异常数据处理方法的第一实施例和第二实施例中所描述的实现方式，也可执行本发明实施例所描述的终端的实现方式，在此不再赘述。

在本发明的另一实施例中提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序包括程序指令，程序指令被处理器执行时实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

计算机可读存储介质可以是前述任一实施例的终端的内部存储单元，例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备，例如终端上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的终端和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的终端和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种异常数据处理方法，其特征在于，包括：

获取待处理数据；

基于预设训练模型检测所述待处理数据中的异常数据；

根据所述异常数据的数据特性确定所述异常数据的异常类型；

根据所述异常类型对所述异常数据进行修正。

2.如权利要求1所述的异常数据处理方法，其特征在于，所述获取待处理数据包括：

对待处理数据的数据源和数据量进行标记；

根据所述标记分批获取所述待处理数据。

3.如权利要求1所述的异常数据处理方法，其特征在于，在基于预设训练模型检测所述待处理数据中的异常数据之前，所述方法还包括：

随机选取所述待处理数据中的部分数据作为数据实例；

对所述数据实例进行标记得到标记数据；

根据所述标记数据中标记为正常的数据建立预设训练模型。

4.如权利要求3所述的异常数据处理方法，其特征在于，所述基于预设训练模型检测所述待处理数据中的异常数据，包括：

输入所述待处理数据中的数据点至所述预设训练模型；

若所述预设训练模型的输出结果标记不为正常，则确定所述待处理数据为异常数据。

5.如权利要求1所述的异常数据处理方法，其特征在于，所述根据所述异常数据的数据特性确定所述异常数据的异常类型，包括：

若所述异常数据为单个数据实例，则确定所述异常数据为点异常；

若所述异常数据为多个数据实例的集合，则确定所述异常数据为集合异常。

6.如权利要求2所述的异常数据处理方法，其特征在于，所述根据所述异常类型对所述异常数据进行修正，包括：

若所述异常类型为点异常，则根据所述待处理数据的特性值对所述异常数据进行修正；

若所述异常类型为集合异常，则根据所述异常数据所在集合的聚类填充值对所述异常数据进行修正。

7.一种异常数据处理装置，其特征在于，包括：

数据获取模块，用于获取待处理数据；

检测模块，用于基于预设训练模型检测所述待处理数据中的异常数据；

判断模块，用于根据所述异常数据的数据特性确定所述异常数据的异常类型；

修正模块，用于根据所述异常类型对所述异常数据进行修正。

8.如权利要求7所述的异常数据处理装置，其特征在于，所述数据获取模块包括：

标记单元，用于对待处理数据的数据源和数据量进行标记；

获取单元，用于根据所述标记分批获取所述待处理数据。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。