CN110245047A - 时间序列异常检测方法、装置及设备 - Google Patents
时间序列异常检测方法、装置及设备 Download PDFInfo
- Publication number
- CN110245047A CN110245047A CN201910456254.7A CN201910456254A CN110245047A CN 110245047 A CN110245047 A CN 110245047A CN 201910456254 A CN201910456254 A CN 201910456254A CN 110245047 A CN110245047 A CN 110245047A
- Authority
- CN
- China
- Prior art keywords
- time
- sequence
- current
- time series
- prediction error
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000005856 abnormality Effects 0.000 title claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 37
- 230000015654 memory Effects 0.000 claims description 30
- 238000013507 mapping Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 12
- 230000007787 long-term memory Effects 0.000 claims description 6
- 241001269238 Data Species 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims 1
- 238000003860 storage Methods 0.000 description 18
- 210000004027 cell Anatomy 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 238000012544 monitoring process Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000000130 stem cell Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3089—Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Abstract
本说明书实施例公开了一种时间序列异常检测方法、装置及设备。其中，检测方法中，通过时间序列预测模型进行预测，获得当前时刻、第一时间序列和第二时间序列各自对应的预测值，根据第一时间序列和第二时间序列的观测值和预测值确定出综合预测误差，根据当前的观测值与预测值得到当前预测误差，从而根据当前预测误差偏离综合预测误差的程度，确定出待检测指标的当前时刻是否属于异常时刻。
Description
技术领域
本说明书涉及计算机技术领域，尤其涉及一种时间序列异常检测方法、装置及设备。
背景技术
在互联网业务中，为了保障业务快速、健康发展，需要对种类繁多的业务指标进行监控，而这些业务指标往往是来自不同的业务平台。目前，在业务指标的异常检测中，通常是根据这些指标，由业务平台中接入的监控逻辑进行监控，且这些监控逻辑，主要是依赖于人工确定的规则、阈值等，比如采用历史数据的环比(或同比)，这样当环比(或同比)超过阈值时，就将对应时间点及其指标确定为异常数据。虽然监控逻辑简单，易于实现，但也常常将业务的正常波动，也认为异常而告警，这样将无法做到有效监控，比如在波动大、突然放量的场景中，将带来大规模误报，造成监控人员疲于应付这些误报。
发明内容
有鉴于此，本说明书实施例提供了一种时间序列异常检测方法、装置及设备，用于根据指标的历史数据，利用时间序列预测模型对指标的当前走势监控。
本说明书实施例采用下述技术方案：
本说明书实施例提供一种时间序列异常检测方法，包括：
按预设的时间序列预测模型，获取待检测指标的当前时刻、第一时间序列和第二时间序列相对应的当前预测值、第一预测值序列和第二预测值序列，所述第二时间序列为根据预设的时间选取策略确定的时间序列，所述第二时间序列中的时刻为在所述当前时刻之前且在所述第一时间序列之后的时刻；
确定所述当前时刻、所述第一时间序列和所述第二时间序列相对应的当前预测误差、第一预测误差序列和第二预测误差序列，其中预测误差为预测值与对应观测值之间的差值；
根据所述第一预测误差序列和所述第二预测误差序列，确定综合预测误差，所述综合预测误差用于表征所述待检测指标的预测值偏离观测值的程度；
根据所述当前预测误差与所述综合预测误差之间的偏离程度，确定所述当前时刻是否属于异常时刻。
本说明书实施例还提供一种时间序列异常检测装置，包括获取模块、第一计算模块、第二计算模块和确定模块；
所述获取模块用于按预设的时间序列预测模型，获取待检测指标的当前时刻、第一时间序列和第二时间序列相对应的当前预测值、第一预测值序列和第二预测值序列，所述第二时间序列为根据预设的时间选取策略确定的时间序列，所述第二时间序列中的时刻为在所述当前时刻之前且在所述第一时间序列之后的时刻；
所述第一计算模块用于确定所述当前时刻、所述第一时间序列和所述第二时间序列相对应的当前预测误差、第一预测误差序列和第二预测误差序列，其中预测误差为预测值与对应观测值之间的差值；
所述第二计算模块用于根据所述第一预测误差序列和所述第二预测误差序列，确定综合预测误差，所述综合预测误差用于表征所述待检测指标的预测值偏离观测值的程度；
所述确定模块用于根据所述当前预测误差与所述综合预测误差之间的偏离程度，确定所述当前时刻是否属于异常时刻。
本说明书实施例还提供一种用于时间序列异常检测的电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
按预设的时间序列预测模型，获取待检测指标的当前时刻、第一时间序列和第二时间序列相对应的当前预测值、第一预测值序列和第二预测值序列，所述第二时间序列为根据预设的时间选取策略确定的时间序列，所述第二时间序列中的时刻为在所述当前时刻之前且在所述第一时间序列之后的时刻；
确定所述当前时刻、所述第一时间序列和所述第二时间序列相对应的当前预测误差、第一预测误差序列和第二预测误差序列，其中预测误差为预测值与对应观测值之间的差值；
根据所述第一预测误差序列和所述第二预测误差序列，确定综合预测误差，所述综合预测误差用于表征所述待检测指标的预测值偏离观测值的程度；
根据所述当前预测误差与所述综合预测误差之间的偏离程度，确定所述当前时刻是否属于异常时刻。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：通过时间序列预测模型进行预测，获得当前时刻、第一时间序列和第二时间序列对应的预测值，这时可根据第一时间序列和第二时间序列的观测值和预测值确定出综合预测误差，根据当前的观测值与预测值得到当前预测误差，从而可根据当前预测误差偏离综合预测误差的程度，确定出待检测指标的当前时刻是否属于异常时刻，有效地提高检测的准确率，可减少误报告警。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本说明书实施例提供的一种时间序列异常检测方法的流程图。
图2为本说明书实施例提供的一种时间序列异常检测方法中训练时间序列预测模型的流程图。
图3为本说明书实施例提供的一种时间序列异常检测方法中采用标签标识训练集的示意图。
图4为本说明书实施例提供的一种时间序列异常检测方法中LSTM的结构示意图。
图5为本说明书实施例提供的一种时间序列异常检测方法在应用中的效果示意图。
图6为本说明书实施例提供的一种时间序列异常检测方法的流程图。
图7为本说明书实施例提供的一种时间序列异常检测装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
正如前述分析，在对指标进行监控时，现有检测方案监控逻辑简单，不仅在监控业务中出现大量告警，还容易将指标的正常波动作为异常而告警，这样检测的准确率低，告警频繁。
基于此，本说明书实施例提供一种时间序列异常检测方法、装置及设备。其中，在进行异常检测时，通过时间序列预测模型进行预测，这样可基于预测值和观测值(即实际值)的差异建立出新的差异数据，再通过新的差异数据确定当前数据的偏差异常程度。具体地，利用时间序列预测模型获得预测值，这样通过第一时间序列和第二时间序列的观测值和预测值，来确定出综合预测误差，以及根据当前时刻的观测值和预测值确定当前预测误差，进而根据当前预测误差偏离综合预测误差的程度，来确定出待检测指标的当前时刻是否属于异常时刻。由于综合预测误差是基于第一时间序列和第二时间序列得到的，而在确定是否异常时，还根据当前预测误差偏离综合预测误差的程度来进行，这样就能够避免将指标的正常波动认定为异常，有效提高了检测的准确性，从而减少了误报。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图1为本说明书实施例提供的一种时间序列异常检测方法的流程图。
如图1所示，所述时间序列异常检测方法可包括如下步骤：
步骤S102、按预设的时间序列预测模型，获取待检测指标的当前时刻、第一时间序列和第二时间序列相对应的当前预测值、第一预测值序列和第二预测值序列。
其中，所述第二时间序列为根据预设的时间选取策略确定的时间序列，所述第二时间序列中的时刻为在所述当前时刻之前且在所述第一时间序列之后的时刻。
具体实施中，时间选取策略可根据实际应用确定，比如在一应用业务中，鉴于凌晨交易量少，数据通常就以零点时刻进行分段处理，也就是说，零点之前的数据作为业务存量数据，而零点之后的数据作为当天的业务增量数据，这样在对监控指标(即待检测指标)进行检测时，可将当天零点之前的时刻作为所述第一时间序列的时刻，而当天零点之后的时刻作为所述第二时间序列的时刻。
需要说明的是，业务数据可以是实时记录的，这样当前时刻、第一时间序列的时刻和第二时间序列的时刻相对应的观测值，也就是说，当前时刻对应的当前观测值、第一时间序列对应的第一观测值序列和第二时间序列对应的第二观测值序列，均可从业务数据中进行获取。
步骤S104、确定所述当前时刻、所述第一时间序列和所述第二时间序列相对应的当前预测误差、第一预测误差序列和第二预测误差序列。
其中，预测误差为预测值与对应观测值之间的差值，也就是说，当前预测误差值为当前预测值与当前观测值的差值，第一预测误差序列为第一预测值序列中的预测值与对应的第一观测值序列中的观测值的差值，第二预测误差序列为第二预测值序列中的预测值与对应的第二观测值序列中的观测值的差值。
步骤S106、根据所述第一预测误差序列和所述第二预测误差序列，确定综合预测误差。
其中，所述综合预测误差用于表征所述待检测指标的预测值偏离观测值的程度，这时综合预测误差可采用均值、方差、标准差等统计指标中的一个或多个来进行反映。具体实施中，可根据实际应用场景确定综合预测误差的统计指标类型，比如采用均值，和/或方差，和/或标准差。
步骤S108、根据所述当前预测误差与所述综合预测误差之间的偏离程度，确定所述当前时刻是否属于异常时刻。
具体实施中，可通过判断当前预测误差与所述综合预测误差之间的偏离程度是否超过预设的偏离阈值，来确定是否异常，其中预设的偏离阈值可根据实际应用需要进行设定。
根据上述步骤S102～S108，通过时间序列预测模型进行预测，进而利用第一时间序列和第二时间序列来综合确定出综合预测误差，并根据当前预测误差偏离综合预测误差的程度，来确定待检测指标的当前时刻是否异常。由于采用了基于第一时间序列和第二时间序列得到的综合预测误差，以及根据当前预测误差偏离综合预测误差的程度去进行异常检测，这样可避免将业务数据的正常波动认定为异常，有效地提高了检测的准确率，减少误报。
在一个实施方式中，本说明书实施例提供的时间序列异常检测方法中，所述时间序列预测模型可采用如图2所示的步骤进行训练：
步骤S202、选取所述待检测指标的若干历史数据。
其中，所述历史数据包括历史时刻和所述历史时刻对应的观测值。
步骤S204、按预设的时间步将所述若干历史时刻分组形成多个时间序列。
步骤S206、利用所述多个时间序列训练时间序列预测模型，所述时间预设模型包括所述待检测指标的时刻与预测值之间的对应关系。
例如，在具体实施中，可选取当天零点以前的N个历史数据，这时对应的历史时刻记为：T0、T1、…、Tn、…、TN-1，对应的观测值记为：X0、X1、…、Xn、…、XN-1，其中n、N为正整数。假如，时间序列预测模型的时间步设为timestep＝n，则将获得n个时间序列，可记为：[T0,T1,…,Tn]、[T1,T2,…,Tn+1]、…、[TN-n,TN-n+1,…,TN-1]。这样，可利用这n个时间序列及其观测值构成训练集，来对时间序列预测模型训练进行训练。
通过利用历史数据中的多个时间序列及其观测值构成训练集，进而利用训练集训练得到所述时间序列预测模型，然后待训练达到预期准确率后，可将所述时间序列预测模型用于线上预测。
在一个实施方式中，还可将前述的n个时间序列作为所述第一时间序列，进而利用所述第一时间序列构成训练集，去训练得到所述时间序列预测模型，从而进一步利用所述时间序列预测模型进行预测，来获得第一时间序列对应的预测值，即预测得到所述第一预测值序列，这样将大大提高第一时间序列对应的预测值的准确性，也就是说，基于第一时间序列来训练得到的所述时间序列预测模型，将获得与第一观测值序列更接近的前述第一预测值序列，这样第一预测误差序列中的预测误差值将更小。
具体实施中，可对前述n个时间序列采用标签进行标记，所述标签为所述每组时间序列中最后一个时刻的下一个时刻的观测值，进而可利用这些观测值对应的时刻构成所述第一时间序列，其中标记的结果示意可如图3所示。
如图3所示，采用Xn+1标记时间序列[T0,T1,…,Tn]，采用Xn+2标记[T1,T2,…,Tn+1]，…，采用XN标记[TN-n,TN-n+1,…,TN-1]，图中还给出对应时间序列的预测值，如Xn+1′、Xn+2′、…、XN′等。这样，所述第一预测误差序列记为diff1，则diff1＝[Xn+1-Xn+1′,Xn+2-Xn+2′,…,XN-XN′]。
这样，在利用时间序列预测模型，对当天的第二时间序列和当前时刻进行预测，从而获得第二预测值序列和当前预测值，其中第二预测值序列可记为Xt0′、Xt1′、…、Xti-1′，当前预测值可记为Xti′，而t0、t1、…、ti为时刻。
假设，第二时间序列对应的观测值，即第二观测值序列，记为Xt0、Xt1、…、Xti-1，当前时刻的观测值(即当前观测值)记为Xti，则第二预测误差序列可记为diff2＝[Xt0-Xt0′,Xt1-Xt1′,…,Xti-1-Xti-1′]，当前预测误差可记为diffCur＝Xti-Xti′。
这样，第二时间序列与当前时刻比较接近，这时第二预测误差序列可较好地反映当前的预测趋势，而第一预测误差序列能很好地反映当天前的历史趋势，从而在综合利用第一预测误差序列和第二预测误差序列获得的综合预测误差，将较好地反映待检测指标的预测值偏离观测值的程度，从而当前预测值较小地偏离当前观测值，这样进一步利用综合预测误差和当前预测误差去确定异常，可保证检测具有较高准确性。
在一个实施方式中，所述时间序列预测模型可优选长短期记忆模型(LSTM)、差分整合移动平均自回归模型(ARIMA)、时间递归神经网络模型(RNN)等常用的时间序列分析方法。
这里，以选用长短期记忆模型(LSTM)为例，对LSTM网络的训练和预测过程进行如下示意说明。
图4为本说明书实施例提供的LSTM的网络模型的结构示意图。
如图4所示，LSTM网络模型中包括若干细胞单元A，这样LSTM将由非常多的细胞单元A(即时间序列)组成，并在进行训练的时候，可采用反向误差传播的方式进行训练。
具体实施中，每个细胞单元A均包括遗忘门、输入门和输出门。其中：
遗忘门用于通过第一映射函数(即第一个sigmod函数)选择性地遗忘过去信息，其中第一映射函数为ft＝σ(Wf·[ht-1,xt]+bf)；
输入门用于通过激活函数选择性记忆当前信息和通过第二映射函数(即第二个sigmod函数)选择性地遗忘过去信息，并更新细胞状态后向所述输出层输出，其中第二映射函数为it＝σ(Wi·[ht-1,xt]+bi)，激活函数创建的候选向量为细胞状态更新为
输出门用于通过第三映射函数(即第三个sigmod函数)选择性地遗忘过去信息和通过激活函数激活细胞状态后输出，其中第三映射函数为ot＝σ(Wo·[ht-1,xt]+bo)，输出为ht＝ot*tanh(Ct)；
其中，xt为当前细胞单元对应的时刻的观测值，ht为当前细胞单元对应的输出，W为预设的权重，b为预设的偏置值，W、b可根据实际应用进行设置。
图5为利用本说明书实施例提供的所述时间序列异常检测方法，对应用中一个指标的监控效果示意图，其中时间序列预测模型选用了前述LSTM模型。
如图5所示，横坐标表示预测时刻，纵坐标为监控指标的数值，从图中可知，在预测时刻离当天零点越近，预测值曲线与观测值曲线基本相同，即偏离程度(见图中偏离程度曲线)越小，表明了预测值与观测值的差异很小，虽然随着预测时刻离当天零点越远，预测值曲线偏离观测值曲线逐步变大，但整体的报警准确率仍然保持在90％以上，报警量极少，表明了对指标的监控有效。
图6为本说明书实施例提供的一种时间序列异常检测方法的流程图。
如图6所示，在本说明书实施例中，通过采用均值和标准差，来共同反映预测值与观测值的偏离程度，即综合预测误差包括均值和标准差，可进一步提高检测的准确性，这样所述时间序列异常检测方法可包括如下步骤：
步骤S302、按预设的时间序列预测模型，获取待检测指标的当前时刻、第一时间序列和第二时间序列相对应的当前预测值、第一预测值序列和第二预测值序列。
步骤S304、确定所述当前时刻、所述第一时间序列和所述第二时间序列相对应的当前预测误差、第一预测误差序列和第二预测误差序列。
步骤S306、根据所述第一预测误差序列和所述第二预测误差序列，计算所述均值和所述标准差。
步骤S3081、计算所述当前预测误差与所述均值的差值的绝对值。
步骤S3083、确定所述绝对值与所述标准差的比值。
步骤S3085、判断所述比值是否超过预设的偏离阈值，若是，则执行步骤S3087。
其中，预设的偏离阈值可根据实际应用设定，比如设定为整数数值、小数数值等，这里不做具体限定。
步骤S3087、确定所述当前时刻属于异常时刻。
需要说明的是，上述步骤S302、步骤S304与前述的步骤S102、S104相似，可参考前述步骤S102、S104的说明，这里不再赘述；还有，图中虚线框的步骤S308包括步骤S3081～S3087；以及，在步骤S3085中，虽然只对比值超过预设的偏离阈值的情况进行了限定，具体实施中，还可根据比值未超过预设的阈值，去执行相关处理，比如返回到步骤S302，以便进行下一个当前时刻的指标检测。
通过上述步骤S302～S308，通过均值可以反映预测误差的一种趋势，而预测误差是基于第一时间序列和第二时间序列获得的，其中第一时间序列与当前时刻距离较远，可有效地反映历史趋势，第二时间序列与当前时刻较近，可较准确的反映当前趋势，这样通过均值就能更好的反映出指标的走向趋势；进一步，还通过标准差来反映预测误差的离散程度。这样，通过均值和标准差，能更好地反映当前预测误差值偏离综合预测误差的程度，检测的准确率更高，从而能更好地避免了业务数据的正常波动作被误报。
在一个实施方式中，还可采用监控曲线的方式进行实时预测和监控，也就是说，基于时序序列预测模型，获得预测值，然后将预测值、观测值以及预测值偏离观测值的差异程度，形成曲线，从而通过曲线可直观地监控异常程度的情况，还可通过曲线偏差异常程度或者类似n-sigma异常检测的原理进行异常检测，甚至告警，这里不再展开说明。
基于同一个发明构思，本说明书实施例还提供用于时间序列异常检测的装置、电子设备以及非易失性计算机存储介质。
鉴于前述实施例中对所述时间序列异常检测方法已进行了详细说明，下面实施例中对装置、设备以及非易失性计算机存储介质所涉及的相应内容将不再赘述。
图7为本说明书提供的一种时间序列异常检测装置的结构示意图，其中虚线方框表示可选的模块。
如图7所示，时间序列异常检测装置10包括获取模块11、第一计算模块12、第二计算模块13和确定模块14。其中，获取模块11用于按预设的时间序列预测模型，获取待检测指标的当前时刻、第一时间序列和第二时间序列相对应的当前预测值、第一预测值序列和第二预测值序列，所述第二时间序列为根据预设的时间选取策略确定的时间序列，所述第二时间序列中的时刻为在所述当前时刻之前且在所述第一时间序列之后的时刻；第一计算模块12用于确定所述当前时刻、所述第一时间序列和所述第二时间序列相对应的当前预测误差、第一预测误差序列和第二预测误差序列，其中预测误差为预测值与对应观测值之间的差值；第二计算模块13用于根据所述第一预测误差序列和所述第二预测误差序列，确定综合预测误差，所述综合预测误差用于表征所述待检测指标的预测值偏离观测值的程度；确定模块14用于根据所述当前预测误差与所述综合预测误差的偏离程度，确定所述当前时刻是否属于异常时刻。
可选地，所述综合预测误差包括均值和/或标准差。
这时，第二计算模块13用于根据所述第一预测误差序列和所述第二预测误差序列，计算所述均值和/或所述标准差。
可选地，当所述综合预测误差包括所述均值和所述标准差时，确定模块14用于：
计算所述当前预测误差与所述均值的差值的绝对值；
确定所述绝对值与所述标准差的比值；
判断所述比值是否超过预设的偏离阈值，若是，则确定所述当前时刻属于异常时刻。
可选地，所述时间序列预测模型的训练步骤包括：
选取所述待检测指标的若干历史数据，所述历史数据包括历史时刻和所述历史时刻对应的观测值；
按预设的时间步将所述若干历史时刻分组形成多个时间序列；
利用所述多个时间序列训练时间序列预测模型，所述时间预设模型包括所述待检测指标的时刻与预测值之间的对应关系。
可选地，时间序列异常检测装置10还包括标签模块15。其中，标签模块15用于：
对所述多个时间序列中的每组时间序列采用标签进行标记，所述标签为所述每组时间序列中最后一个时刻的下一个时刻的观测值；
将所述标签对应的时刻构成所述第一时间序列。
可选地，所述时间序列预测模型包括长短期记忆模型，所述长短期记忆模型中的每个细胞单元包括遗忘门、输入门和输出门；
所述遗忘门用于通过第一映射函数选择性地遗忘过去信息，其中第一映射函数为ft＝σ(Wf·[ht-1,xt]+bf)；
所述输入门用于通过激活函数选择性记忆当前信息和通过第二映射函数选择性地遗忘过去信息，并更新细胞状态后向所述输出层输出，其中第二映射函数为it＝σ(Wi·[ht-1,xt]+bi)，激活函数创建的候选向量为 细胞状态更新为
所述输出门用于通过第三映射函数选择性地遗忘过去信息和通过激活函数激活细胞状态后输出，其中第三映射函数为ot＝σ(Wo·[ht-1,xt]+bo)，输出为ht＝ot*tanh(Ct)；
其中，xt为当前细胞单元对应的时刻的观测值，ht为当前细胞单元对应的输出，W为预设的权重，b为预设的偏置值。
本说明书实施例还提供一种用于时间序列异常检测的电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
按预设的时间序列预测模型，获取待检测指标的当前时刻、第一时间序列和第二时间序列相对应的当前预测值、第一预测值序列和第二预测值序列，所述第二时间序列为根据预设的时间选取策略确定的时间序列，所述第二时间序列中的时刻为在所述当前时刻之前且在所述第一时间序列之后的时刻；
确定所述当前时刻、所述第一时间序列和所述第二时间序列相对应的当前预测误差、第一预测误差序列和第二预测误差序列，其中预测误差为预测值与对应观测值之间的差值；
根据所述第一预测误差序列和所述第二预测误差序列，确定综合预测误差，所述综合预测误差用于表征所述待检测指标的预测值偏离观测值的程度；
根据所述当前预测误差与所述综合预测误差之间的偏离程度，确定所述当前时刻是否属于异常时刻。
本说明书实施例还提供一种用于时间序列异常检测的非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
按预设的时间序列预测模型，获取待检测指标的当前时刻、第一时间序列和第二时间序列相对应的当前预测值、第一预测值序列和第二预测值序列，所述第二时间序列为根据预设的时间选取策略确定的时间序列，所述第二时间序列中的时刻为在所述当前时刻之前且在所述第一时间序列之后的时刻；
确定所述当前时刻、所述第一时间序列和所述第二时间序列相对应的当前预测误差、第一预测误差序列和第二预测误差序列，其中预测误差为预测值与对应观测值之间的差值；
根据所述第一预测误差序列和所述第二预测误差序列，确定综合预测误差，所述综合预测误差用于表征所述待检测指标的预测值偏离观测值的程度；
根据所述当前预测误差与所述综合预测误差之间的偏离程度，确定所述当前时刻是否属于异常时刻。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、设备、非易失性计算机存储介质与方法是对应的，因此，装置、设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (13)
1.一种时间序列异常检测方法，包括：
按预设的时间序列预测模型，获取待检测指标的当前时刻、第一时间序列和第二时间序列相对应的当前预测值、第一预测值序列和第二预测值序列，所述第二时间序列为根据预设的时间选取策略确定的时间序列，所述第二时间序列中的时刻为在所述当前时刻之前且在所述第一时间序列之后的时刻；
确定所述当前时刻、所述第一时间序列和所述第二时间序列相对应的当前预测误差、第一预测误差序列和第二预测误差序列，其中预测误差为预测值与对应观测值之间的差值；
根据所述第一预测误差序列和所述第二预测误差序列，确定综合预测误差，所述综合预测误差用于表征所述待检测指标的预测值偏离观测值的程度；
根据所述当前预测误差与所述综合预测误差之间的偏离程度，确定所述当前时刻是否属于异常时刻。
2.如权利要求1所述的方法，所述综合预测误差包括均值和/或标准差；
所述根据所述第一预测误差序列和所述第二预测误差序列，确定综合预测误差的步骤包括：
根据所述第一预测误差序列和所述第二预测误差序列，计算所述均值和/或所述标准差。
3.如权利要求2所述的方法，当所述综合预测误差包括所述均值和所述标准差时，所述根据所述当前预测误差与所述综合预测误差之间的偏离程度，确定所述当前时刻是否属于异常时刻的步骤包括：
计算所述当前预测误差与所述均值的差值的绝对值；
确定所述绝对值与所述标准差的比值；
判断所述比值是否超过预设的偏离阈值，若是，则确定所述当前时刻属于异常时刻。
4.如权利要求1所述的方法，所述时间序列预测模型的训练步骤包括：
选取所述待检测指标的若干历史数据，所述历史数据包括历史时刻和所述历史时刻对应的观测值；
按预设的时间步将所述若干历史时刻分组形成多个时间序列；
利用所述多个时间序列训练时间序列预测模型，所述时间预设模型包括所述待检测指标的时刻与预测值之间的对应关系。
5.如权利要求4所述的方法，所述方法还包括：
对所述多个时间序列中的每组时间序列采用标签进行标记，所述标签为所述每组时间序列中最后一个时刻的下一个时刻的观测值；
将所述标签对应的时刻构成所述第一时间序列。
6.如权利要求1所述的方法，所述时间序列预测模型包括长短期记忆模型，所述长短期记忆模型中的每个细胞单元包括遗忘门、输入门和输出门；
所述遗忘门用于通过第一映射函数选择性地遗忘过去信息，其中第一映射函数为ft＝σ(Wf·[ht-1,xt]+bf)；
所述输入门用于通过激活函数选择性记忆当前信息和通过第二映射函数选择性地遗忘过去信息，并更新细胞状态后向所述输出层输出，其中第二映射函数为it＝σ(Wi·[ht-1,xt]+bi)，激活函数创建的候选向量为 细胞状态更新为
所述输出门用于通过第三映射函数选择性地遗忘过去信息和通过激活函数激活细胞状态后输出，其中第三映射函数为ot＝σ(Wo·[ht-1,xt]+bo)，输出为ht＝ot*tanh(Ct)；
其中，xt为当前细胞单元对应的时刻的观测值，ht为当前细胞单元对应的输出，W为预设的权重，b为预设的偏置值。
7.一种时间序列异常检测装置，包括获取模块、第一计算模块、第二计算模块和确定模块；
所述获取模块用于按预设的时间序列预测模型，获取待检测指标的当前时刻、第一时间序列和第二时间序列相对应的当前预测值、第一预测值序列和第二预测值序列，所述第二时间序列为根据预设的时间选取策略确定的时间序列，所述第二时间序列中的时刻为在所述当前时刻之前且在所述第一时间序列之后的时刻；
所述第一计算模块用于确定所述当前时刻、所述第一时间序列和所述第二时间序列相对应的当前预测误差、第一预测误差序列和第二预测误差序列，其中预测误差为预测值与对应观测值之间的差值；
所述第二计算模块用于根据所述第一预测误差序列和所述第二预测误差序列，确定综合预测误差，所述综合预测误差用于表征所述待检测指标的预测值偏离观测值的程度；
所述确定模块用于根据所述当前预测误差与所述综合预测误差之间的偏离程度，确定所述当前时刻是否属于异常时刻。
8.如权利要求7所述的装置，所述综合预测误差包括均值和/或标准差；
所述第二计算模块用于根据所述第一预测误差序列和所述第二预测误差序列，计算所述均值和/或所述标准差。
9.如权利要求8所述的装置，当所述综合预测误差包括所述均值和所述标准差时，所述确定模块用于：
计算所述当前预测误差与所述均值的差值的绝对值；
确定所述绝对值与所述标准差的比值；
判断所述比值是否超过预设的偏离阈值，若是，则确定所述当前时刻属于异常时刻。
10.如权利要求7所述的装置，所述时间序列预测模型的训练步骤包括：
选取所述待检测指标的若干历史数据，所述历史数据包括历史时刻和所述历史时刻对应的观测值；
按预设的时间步将所述若干历史时刻分组形成多个时间序列；
利用所述多个时间序列训练时间序列预测模型，所述时间预设模型包括所述待检测指标的时刻与预测值之间的对应关系。
11.如权利要求10所述的装置，所述装置还包括标签模块；
所述标签模块用于：
对所述多个时间序列中的每组时间序列采用标签进行标记，所述标签为所述每组时间序列中最后一个时刻的下一个时刻的观测值；
将所述标签对应的时刻构成所述第一时间序列。
12.如权利要求7所述的装置，所述时间序列预测模型包括长短期记忆模型，所述长短期记忆模型中的每个细胞单元包括遗忘门、输入门和输出门；
所述遗忘门用于通过第一映射函数选择性地遗忘过去信息，其中第一映射函数为ft＝σ(Wf·[ht-1,xt]+bf)；
所述输入门用于通过激活函数选择性记忆当前信息和通过第二映射函数选择性地遗忘过去信息，并更新细胞状态后向所述输出层输出，其中第二映射函数为it＝σ(Wi·[ht-1,xt]+bi)，激活函数创建的候选向量为 细胞状态更新为
所述输出门用于通过第三映射函数选择性地遗忘过去信息和通过激活函数激活细胞状态后输出，其中第三映射函数为ot＝σ(Wo·[ht-1,xt]+bo)，输出为ht＝ot*tanh(Ct)；
其中，xt为当前细胞单元对应的时刻的观测值，ht为当前细胞单元对应的输出，W为预设的权重，b为预设的偏置值。
13.一种用于时间序列异常检测的电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
按预设的时间序列预测模型，获取待检测指标的当前时刻、第一时间序列和第二时间序列相对应的当前预测值、第一预测值序列和第二预测值序列，所述第二时间序列为根据预设的时间选取策略确定的时间序列，所述第二时间序列中的时刻为在所述当前时刻之前且在所述第一时间序列之后的时刻；
确定所述当前时刻、所述第一时间序列和所述第二时间序列相对应的当前预测误差、第一预测误差序列和第二预测误差序列，其中预测误差为预测值与对应观测值之间的差值；
根据所述第一预测误差序列和所述第二预测误差序列，确定综合预测误差，所述综合预测误差用于表征所述待检测指标的预测值偏离观测值的程度；
根据所述当前预测误差与所述综合预测误差之间的偏离程度，确定所述当前时刻是否属于异常时刻。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910456254.7A CN110245047B (zh) | 2019-05-29 | 2019-05-29 | 时间序列异常检测方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910456254.7A CN110245047B (zh) | 2019-05-29 | 2019-05-29 | 时间序列异常检测方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110245047A true CN110245047A (zh) | 2019-09-17 |
| CN110245047B CN110245047B (zh) | 2023-11-24 |
Family
ID=67885423
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910456254.7A Active CN110245047B (zh) | 2019-05-29 | 2019-05-29 | 时间序列异常检测方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110245047B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110749307A (zh) * | 2019-12-03 | 2020-02-04 | 国家电网有限公司 | 基于北斗定位的输电线路位移沉降判定方法及系统 |
| CN111125195A (zh) * | 2019-12-25 | 2020-05-08 | 亚信科技（中国）有限公司 | 一种数据异常检测方法及装置 |
| CN111930602A (zh) * | 2020-08-13 | 2020-11-13 | 中国工商银行股份有限公司 | 性能指标预测方法及装置 |
| CN112800116A (zh) * | 2021-04-08 | 2021-05-14 | 腾讯科技（深圳）有限公司 | 一种业务数据的异常检测方法及装置 |
| CN112799913A (zh) * | 2021-01-28 | 2021-05-14 | 中国工商银行股份有限公司 | 容器运行异常检测方法及装置 |
| CN112825164A (zh) * | 2019-11-20 | 2021-05-21 | 顺丰科技有限公司 | 一种预测数据异常检测方法、装置、设备及存储介质 |
| CN113129127A (zh) * | 2021-04-21 | 2021-07-16 | 建信金融科技有限责任公司 | 预警方法和装置 |
| CN113347057A (zh) * | 2021-05-18 | 2021-09-03 | 北京达佳互联信息技术有限公司 | 异常数据检测方法、装置、电子设备及存储介质 |
| CN113850418A (zh) * | 2021-09-02 | 2021-12-28 | 支付宝(杭州)信息技术有限公司 | 时间序列中异常数据的检测方法和装置 |
| CN116202558A (zh) * | 2023-05-04 | 2023-06-02 | 中国西安卫星测控中心 | 基于增量式数据统计的cmg转动部件工况检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110246864A1 (en) * | 2010-03-30 | 2011-10-06 | International Business Machines Corporation | Data dependent npml detection and systems thereof |
| US20150339265A1 (en) * | 2014-05-20 | 2015-11-26 | Facebook, Inc. | Detecting anomalies in a time series |
| CN107528722A (zh) * | 2017-07-06 | 2017-12-29 | 阿里巴巴集团控股有限公司 | 一种时间序列中异常点检测方法及装置 |
| CN108776694A (zh) * | 2018-06-05 | 2018-11-09 | 哈尔滨工业大学 | 一种时间序列异常点检测方法及装置 |
-
2019
- 2019-05-29 CN CN201910456254.7A patent/CN110245047B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110246864A1 (en) * | 2010-03-30 | 2011-10-06 | International Business Machines Corporation | Data dependent npml detection and systems thereof |
| US20150339265A1 (en) * | 2014-05-20 | 2015-11-26 | Facebook, Inc. | Detecting anomalies in a time series |
| CN107528722A (zh) * | 2017-07-06 | 2017-12-29 | 阿里巴巴集团控股有限公司 | 一种时间序列中异常点检测方法及装置 |
| CN108776694A (zh) * | 2018-06-05 | 2018-11-09 | 哈尔滨工业大学 | 一种时间序列异常点检测方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| KONG,XH等: "《Improved GM(1,1) m4odel based on concave sequences and its applications》", 《GREY SYSTEMS-THEORY AND APPLICATION》 * |
| 党小超等: "基于改进Elman神经网络的网络流量预测", 《计算机应用》 * |
| 卞宁: "改进型灰色系统在航道水位预测中的应用", 《中国水运.航道科技》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112825164A (zh) * | 2019-11-20 | 2021-05-21 | 顺丰科技有限公司 | 一种预测数据异常检测方法、装置、设备及存储介质 |
| CN110749307A (zh) * | 2019-12-03 | 2020-02-04 | 国家电网有限公司 | 基于北斗定位的输电线路位移沉降判定方法及系统 |
| CN111125195B (zh) * | 2019-12-25 | 2023-09-08 | 亚信科技（中国）有限公司 | 一种数据异常检测方法及装置 |
| CN111125195A (zh) * | 2019-12-25 | 2020-05-08 | 亚信科技（中国）有限公司 | 一种数据异常检测方法及装置 |
| CN111930602A (zh) * | 2020-08-13 | 2020-11-13 | 中国工商银行股份有限公司 | 性能指标预测方法及装置 |
| CN111930602B (zh) * | 2020-08-13 | 2023-09-22 | 中国工商银行股份有限公司 | 性能指标预测方法及装置 |
| CN112799913A (zh) * | 2021-01-28 | 2021-05-14 | 中国工商银行股份有限公司 | 容器运行异常检测方法及装置 |
| CN112800116B (zh) * | 2021-04-08 | 2021-07-09 | 腾讯科技（深圳）有限公司 | 一种业务数据的异常检测方法及装置 |
| CN112800116A (zh) * | 2021-04-08 | 2021-05-14 | 腾讯科技（深圳）有限公司 | 一种业务数据的异常检测方法及装置 |
| CN113129127A (zh) * | 2021-04-21 | 2021-07-16 | 建信金融科技有限责任公司 | 预警方法和装置 |
| CN113347057A (zh) * | 2021-05-18 | 2021-09-03 | 北京达佳互联信息技术有限公司 | 异常数据检测方法、装置、电子设备及存储介质 |
| CN113347057B (zh) * | 2021-05-18 | 2022-11-22 | 北京达佳互联信息技术有限公司 | 异常数据检测方法、装置、电子设备及存储介质 |
| CN113850418A (zh) * | 2021-09-02 | 2021-12-28 | 支付宝(杭州)信息技术有限公司 | 时间序列中异常数据的检测方法和装置 |
| CN116202558A (zh) * | 2023-05-04 | 2023-06-02 | 中国西安卫星测控中心 | 基于增量式数据统计的cmg转动部件工况检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110245047B (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110245047A (zh) | 时间序列异常检测方法、装置及设备 | |
| CN107528722A (zh) | 一种时间序列中异常点检测方法及装置 | |
| CN109063886A (zh) | 一种异常检测方法、装置以及设备 | |
| CN108418825A (zh) | 风险模型训练、垃圾账号检测方法、装置以及设备 | |
| CN107526667A (zh) | 一种指标异常检测方法、装置以及电子设备 | |
| CN107730887A (zh) | 实现交通流量预测的方法及装置、可读存储介质 | |
| CN107066365A (zh) | 一种系统异常的监测方法及装置 | |
| CN110262937A (zh) | 一种指标异常原因的识别方法及装置 | |
| CN109240848A (zh) | 一种数据对象标识生成方法及装置 | |
| CN110008080A (zh) | 基于时间序列的业务指标异常检测方法、装置和电子设备 | |
| CN107526666A (zh) | 基于深度学习的报警方法、系统、装置以及电子设备 | |
| JP2004508631A (ja) | 異常検出システム及びそれを教授する方法 | |
| CN110033130A (zh) | 异常业务的监控方法及装置 | |
| CN106598822B (zh) | 一种用于容量评估的异常数据检测方法及装置 | |
| CN110119860A (zh) | 一种垃圾账号检测方法、装置以及设备 | |
| CN110147945A (zh) | 一种数据波动的处理方法、装置及设备 | |
| CN108681542A (zh) | 一种异常检测的方法及装置 | |
| CN109461067A (zh) | 一种外汇报价异常数据的检测方法、装置及系统 | |
| JP2020501232A (ja) | リスク制御イベント自動処理の方法および装置 | |
| Su et al. | An improved random forest model for the prediction of dam displacement | |
| CN108984376A (zh) | 一种系统异常检测方法、装置及设备 | |
| CN108664603A (zh) | 一种修复时序数据的异常聚合值的方法及装置 | |
| CN110046633A (zh) | 一种数据质量检测方法及装置 | |
| CN110021150A (zh) | 一种数据处理方法、装置及设备 | |
| CN110033093A (zh) | 超参数确定方法、装置及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200925 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant after: Innovative advanced technology Co.,Ltd. Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant before: Advanced innovation technology Co.,Ltd. Effective date of registration: 20200925 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant after: Advanced innovation technology Co.,Ltd. Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands Applicant before: Alibaba Group Holding Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |