CN109753991A - 异常数据检测方法及装置 - Google Patents

Abstract

本发明提供了一种异常数据检测方法及装置，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；基于聚类算法确定所述待处理数据的离群点候选集；计算所述离群点候选集中各个离群点的离群点因子；若某一离群点的离群点因子大于预设阈值，则确定该离群点为异常数据。本发明提供的异常数据检测方法及装置能够实现待处理数据异常值的准确检测。

Description

异常数据检测方法及装置

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检测方法及装置。

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。但现有技术中的异常检测方法通常为一次检测，因而无法准确地检测异常数据。

发明内容

本发明的目的在于提供一种异常数据检测方法及装置，以解决现有技术中存在的无法准确检测异常数据的技术问题。

本发明实施例的第一方面，提供了一种异常数据检测方法，所述方法包括：

获取待处理数据；

基于聚类算法确定所述待处理数据的离群点候选集；

计算所述离群点候选集中各个离群点的离群点因子；

若某一离群点的离群点因子大于预设阈值，则确定该离群点为异常数据。

本发明实施例的第二方面，提供了一种异常数据检测装置，所述装置包括：

数据获取模块，用于获取待处理数据；

聚类模块，用于基于聚类算法确定所述待处理数据的离群点候选集；

计算模块，用于计算所述离群点候选集中各个离群点的离群点因子；

检测模块，用于若某一离群点的离群点因子大于预设阈值，则确定该离群点为异常数据。

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检测方法的步骤。

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检测方法的步骤。

本发明提供的异常数据检测方法及装置的有益效果在于：本发明提供的异常数据检测方法及装置根据聚类算法对待处理数据进行聚类，首先确定离群点候选集，提高了离群因子的计算效率。再通过离群因子的计算有效地检测出离群点候选集中的异常数据，从而有效提高了异常数据的检测精度。

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检测方法的流程示意图；

图2为本发明另一实施例提供的异常数据检测方法的流程示意图；

图3为本发明再一实施例提供的异常数据检测方法的流程示意图；

图4为本发明又一实施例提供的异常数据检测方法的流程示意图；

图5为本发明又一实施例提供的异常数据检测方法的流程示意图；

图6为本发明一实施例提供的异常数据检测装置的结构框图；

图7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检测方法的流程示意图。该方法包括：

S101：获取待处理数据。

在本实施例中，获取待处理数据的方法为：首先根据待处理数据的结构设置获取标签，再根据获取标签对待处理数据进行获取。例如，对于结构化数据，可直接使用数据库中存储的数据主键名称作为获取标签进行数据获取。对于半结构化及非结构化数据，直接对数据进行分批，以批次号作为获取标签进行数据获取。

S102：基于聚类算法确定待处理数据的离群点候选集。

在本实施例中，可使用K均值聚类算法对待处理数据进行聚类得到多个类，并根据待处理数据中某一数据点距该数据点所在类的质心的距离与该数据点所在类的半径判断是否将该数据点加入离群点候选集。

S103：计算离群点候选集中各个离群点的离群点因子。

在本实施例中，可对离群点候选集中的离群点进行二次检测，计算各个离群点的离群因子，并根据某一离群点的离群因子判断该离群点是否为异常数据。

S104：若某一离群点的离群点因子大于预设阈值，则确定该离群点为异常数据。

在本实施例中，若某一离群点的离群点因子大于预设阈值，说明该离群点的离群程度较大，则确定该离群点为异常数据。可选地，也可采用以下方法检测异常数据：

将离群候选集中的离群点按照离群因子的大小进行排序，设定待处理数据中剔除异常数据的数量为N，可根据该数量N将排序后的离群点的前N个数据或者后N个数据确定为异常数据。

从上述描述可知，本发明实施例提供的异常数据检测方法根据聚类算法对待处理数据进行聚类，首先确定离群点候选集，提高了离群因子的计算效率。再通过离群因子的计算有效地检测出离群点候选集中的异常数据，从而有效提高了异常数据的检测精度。

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检测方法的流程示意图。在上述实施例的基础上，步骤S102可以详述为：

S201：基于聚类算法对待处理数据进行聚类得到预设数量的类。

在本实施例中，可首先设定待处理数据的聚类个数M，再使用K-means算法对待处理数据进行聚类得到M个数据类。其中，M即为预设数量。

S202：若某一类中的某一数据点到该类质心的距离大于该类的半径，则将该数据点加入离群点候选集。

在本实施例中，离群点候选集主要有两种选取方式，第一种选取方式为根据某一类中某一数据点到该类质心的距离和该类的半径进行判断，若该数据点到质心的距离大于该类的半径，则将该数据点确定为离群点，加入离群点候选集。

请一并参考图1及图2，作为本发明实施例提供的异常数据检测方法的一种具体实施方式。在上述实施例的基础上，步骤S102还可以包括：

S203：若某一类中数据点的数量小于预设离群点数量，则将该类中的所有数据点加入离群点候选集。

在本实施例中，离群点候选集的第二种选取方式为：先设定待处理数据中离群点的个数S，再统计聚类后每个数据类中数据点的个数N_i(0＜N_i≤M)，在进行第一种选取方式的判断前，先判断某一类中数据点的数量是否小于预设离群点数量，即N_i是否小于S，若N_i小于S，则将该类中的所有数据点加入离群点候选集。将第一种选取方式选取的离群点和第二种选取方式选取的离群点合并得到完整的离群点候选集。

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检测方法的流程示意图，在上述实施例的基础上，步骤S103可以详述为：

S301：计算离群点候选集中各个离群点的第k距离和第k邻域。

在本实施例中，对于某一离群点，可先计算其他离群点距该离群点的欧几里得距离，再根据该欧几里得距离计算该离群点的第k距离和第k邻域。

S302：根据各个离群点的第k距离和第k邻域确定各个离群点的离群因子。

在本实施例中，对于某一离群点，可根据该离群点的第k距离和第k邻域确定该离群点的平均可达密度，再根据该离群点的平均可达密度计算该离群点的离群因子。

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检测方法的流程示意图。在上述实施例的基础上，步骤S301可以详述为：

S401：计算离群点候选集中各个离群点与其他离群点的欧几里得距离。

在本实施例中，假设候选集中存在D(D>K)个离群点，对于其中一个离群点p，可计算其他各个离群点至该离群点p的欧几里得距离，得到D-1个距离。

S402：对欧几里得距离进行排序确定各个离群点的第k距离和第k邻域。

在本实施例中，将上述D-1个距离按照大小进行升序排序，则第k距离即为此D-1个距离中排序序号为k的距离，记为k-distance(p)。已知离群点p的第k距离，则距离小于k-distance(p)的离群点的集合即为离群点p的第k邻域。p即为该邻域的中心。

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检测方法的流程示意图。在上述实施例的基础上，步骤S302可以详述为：

S501：根据各个离群点的第k距离和第k邻域确定各个离群点的平均可达密度。

在本实施例中，可根据以下方法确定各个离群点的平均可达密度：

对于某一离群点p，以及该离群点p的第k邻域内某一离群点o，首先确定离群点p相对于离群点o的可达距离：

reachdisk(p,o)＝max{k-distance(o),d(p,o)}

其中，reachdisk(p,o)为离群点p相对于离群点o的可达距离，k-distance(o)为离群点o的第k距离，d(p,o)为离群点p至离群点o的欧几里得距离。则离群点p的平均可达密度为：

其中，Ard_k(p)为离群点p的平均可达密度，|N_k(p)|为离群点p第k邻域的离群点个数，reachdisk(p,o)为离群点p相对于离群点o的可达距离，o为离群点p的第k邻域内某一离群点。

S502：根据各个离群点的平均可达密度确定各个离群点的离群因子。

在本实施例中，对于某一离群点p，其离群因子的计算方法可为：

其中，A_k(p)为离群点p的离群因子，Ard_k(p)为离群点p的平均可达密度，Ard_k(o)为离群点o的平均可达密度，|N_k(p)|为离群点p第k邻域的离群点个数。

对应于上文实施例的异常数据检测方法，图6为本发明一实施例提供的异常数据检测装置的结构框图。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6，该装置包括：数据获取模块10、聚类模块20、计算模块30和检测模块40。

其中，数据获取模块10，用于获取待处理数据。

聚类模块20，用于基于聚类算法确定待处理数据的离群点候选集。

计算模块30，用于计算离群点候选集中各个离群点的离群点因子。

检测模块40，用于若某一离群点的离群点因子大于预设阈值，则确定该离群点为异常数据。

参考图6，在本发明的另一个实施例中，聚类模块20可以包括：

聚类单元21，用于基于聚类算法对待处理数据进行聚类得到预设数量的类。

第一确定单元22，用于若某一类中的某一数据点到该类质心的距离大于该类的半径，则将该数据点加入离群点候选集。

参考图6，在本发明的再一个实施例中，聚类模块20还可以包括：

第二确定单元23，用于若某一类中数据点的数量小于预设离群点数量，则将该类中的所有数据点加入离群点候选集。

参考图6，在本发明的又一个实施例中，计算模块30可以包括：

第一计算单元31，用于计算离群点候选集中各个离群点的第k距离和第k邻域。

第二计算单元32，用于根据各个离群点的第k距离和第k邻域确定各个离群点的离群因子。

参考图6，在本发明的又一个实施例中，第一计算单元31可以包括：

距离计算装置311，用于计算离群点候选集中各个离群点与其他离群点的欧几里得距离。

邻域计算装置312，用于对欧几里得距离进行排序确定各个离群点的第k距离和第k邻域。

参考图6，在本发明的又一个实施例中，第二计算单元32可以包括：

密度计算装置321，用于根据各个离群点的第k距离和第k邻域确定各个离群点的平均可达密度。

因子计算装置322，用于根据各个离群点的平均可达密度确定各个离群点的离群因子。

参见图7，图7为本发明一实施例提供的终端设备的示意框图。如图7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6所示模块10至40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检测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)

1.一种异常数据检测方法，其特征在于，包括：

获取待处理数据；

基于聚类算法确定所述待处理数据的离群点候选集；

计算所述离群点候选集中各个离群点的离群点因子；

若某一离群点的离群点因子大于预设阈值，则确定该离群点为异常数据。

2.如权利要求1所述的异常数据检测方法，其特征在于，所述基于聚类算法确定所述待处理数据的离群点候选集包括：

基于聚类算法对所述待处理数据进行聚类得到预设数量的类；

若某一类中的某一数据点到该类质心的距离大于该类的半径，则将该数据点加入离群点候选集。

3.如权利要求1所述的异常数据检测方法，其特征在于，所述基于聚类算法确定所述待处理数据的离群点候选集还包括：

若某一类中数据点的数量小于预设离群点数量，则将该类中的所有数据点加入所述离群点候选集。

4.如权利要求1所述的异常数据检测方法，其特征在于，所述计算所述离群点候选集中各个离群点的离群点因子包括：

计算所述离群点候选集中各个离群点的第k距离和第k邻域；

根据所述各个离群点的第k距离和第k邻域确定各个离群点的离群因子。

5.如权利要求1所述的异常数据检测方法，其特征在于，所述计算所述离群点候选集中各个离群点的第k距离和第k邻域包括：

计算所述离群点候选集中各个离群点与其他离群点的欧几里得距离；

对所述欧几里得距离进行排序确定各个离群点的第k距离和第k邻域。

6.如权利要求1所述的异常数据检测方法，其特征在于，所述根据所述各个离群点的第k距离和第k邻域确定各个离群点的离群因子包括：

根据所述各个离群点的第k距离和第k邻域确定各个离群点的平均可达密度；

根据所述各个离群点的平均可达密度确定各个离群点的离群因子。

7.一种异常数据检测装置，其特征在于，包括：

数据获取模块，用于获取待处理数据；

聚类模块，用于基于聚类算法确定所述待处理数据的离群点候选集；

计算模块，用于计算所述离群点候选集中各个离群点的离群点因子；

检测模块，用于若某一离群点的离群点因子大于预设阈值，则确定该离群点为异常数据。

8.如权利要求7所述的异常数据检测装置，其特征在于，所述聚类模块包括：

聚类单元，用于基于聚类算法对所述待处理数据进行聚类得到预设数量的类；

候选集确定单元，用于若某一类中的某一数据点到该类质心的距离大于该类的半径，则将该数据点加入离群点候选集。

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。