CN110598851A - 一种融合lstm和gan的时间序列数据异常检测方法 - Google Patents

一种融合lstm和gan的时间序列数据异常检测方法 Download PDF

Info

Publication number
CN110598851A
CN110598851A CN201910809956.9A CN201910809956A CN110598851A CN 110598851 A CN110598851 A CN 110598851A CN 201910809956 A CN201910809956 A CN 201910809956A CN 110598851 A CN110598851 A CN 110598851A
Authority
CN
China
Prior art keywords
data
detection model
network structure
model
anomaly detection
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.)
Pending
Application number
CN201910809956.9A
Other languages
English (en)
Inventor
赵洪博
刘浩强
朱光轩
孙超
贺治钧
张文峰
冯文全
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei Innovation Research Institute of Beihang University
Original Assignee
Hefei Innovation Research Institute of Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei Innovation Research Institute of Beihang University filed Critical Hefei Innovation Research Institute of Beihang University
Priority to CN201910809956.9A priority Critical patent/CN110598851A/zh
Publication of CN110598851A publication Critical patent/CN110598851A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种融合LSTM和GAN的时间序列数据异常检测方法，属于信息通信技术领域，包括对生成对抗网络模型中鉴别器网络结构和生成器网络结构进行优化；根据优化后的生成器网络结构和优化后的鉴别器网络结构，搭建异常检测模型，该优化后的鉴别器网络结构可实现时序数据时序特征提取；对异常检测模型进行训练和验证，确定异常检测模型的参数；利用确定参数后的异常检测模型对采集的时序数据进行处理，得到异常序列数据检测结果。本发明采用LSTM和GAN模型实现了对时间序列数据的异常检测，能有效、精确地检测出异常序列。

Description

一种融合LSTM和GAN的时间序列数据异常检测方法
技术领域
本发明涉及信息通信技术领域，特别涉及一种融合LSTM和GAN的时间序列数据异常检测方法。
背景技术
故障预测与健康管理(Prognostic and Health Management，PHM)是综合利用了现代信息技术、人工智能技术的用于管理系统健康状态的一种解决方案。PHM通过对数据的监控与分析，可以预测故障发生的时间和位置，预测整个系统的剩余使用寿，提高系统的运行可靠性，减少系统的维修费用和提高维修准确性，大幅度提高运维效率。
时间序列数据的异常检测处理是PHM领域的一个重要部分，传统的异常检测技术主要包括孤立森林方法、局部异常因子检测法、一类支持向量机方法和统计模型等。其中：(1)孤立森林方法：该方法通过建立孤立树和计算异常分数来区分异常值，可以有效地区分和检测孤立的异常值，但是不适用于特别高维数据。(2)局部异常因子法：该方法本质上是根据密度检测和区分异常数据，可以检测出偏离大多数数据的异常数据，但是最近邻数的选取和巨大的计算量仍然是待解决的问题。(3)一类支持向量机方法：该方法可以通过构造正类数据的超平面模型并将超平面另一侧的数据划分为异常类来获得理想的异常检测结果，但结果很大程度上取决于选择正则化参数和核函数。(4)统计模型：该方法是基于对数据的统计分析，并且采集数据的统计特征用于构建统计模型，超出模型正常范围的数据点被分为异常类，这个方法的明显不足是数据必须符合统计模型。
由于时间序列数据常具有不平稳性质，其波动幅度随时间而改变，使得传统的异常检测方法只能实现浅显层次的异常检测，对于系统传感器数据的深层次特征上的异常检测则无能为力。传统检测方法在实现浅层异常检测时具有较好的效果，但在实现时间序列数据的异常检测时，则存在着明显不足。
发明内容
本发明的目的在于克服现有技术的不足，以适用深层次时序数据的异常检测。
为实现以上目的，一方面，采用一种融合LSTM和GAN的时间序列数据异常检测方法，包括如下步骤：
对生成对抗网络模型中鉴别器网络结构和生成器网络结构进行优化；
根据优化后的生成器网络结构和优化后的鉴别器网络结构，搭建异常检测模型，该优化后的鉴别器网络结构可实现时序数据时序特征提取；
对异常检测模型进行训练和验证，确定异常检测模型的参数；
利用确定参数后的异常检测模型对采集的时序数据进行处理，得到异常序列数据检测结果。
进一步地，所述对生成对抗网络模型中鉴别器网络结构和生成器网络结构进行优化，包括：
将所述生成对抗网络模型中的二维卷积层均拓展为一维卷积层，并将所述生成对抗网络模型中的上采样层均去掉；
在所述鉴别器网络结构的第一个卷积层前加入一层LSTM网络。
进一步地，所述对异常检测模型进行训练和验证，确定异常检测模型的参数，包括：
获取训练数据集并输入至所述异常检测模型，并在所述异常检测模型中的生成器和鉴别器达到纳什平衡状态时，得到训练好的异常检测模型；
获取验证数据集并输入至训练好的异常检测模型，以对训练好的异常检测模型的参数进行微调，确定所述异常检测模型的参数。
进一步地，所述利用确定参数后的异常检测模型对采集的测试数据进行处理，得到异常序列数据检测结果，包括：
获取实时采集的时序数据，并将时序数据的映射输入通过所述确定参数后的异常检测模型中生成器进行重构，得到重构数据；
将得到的重构数据与时序数据的均方根误差作为该生成器的生成残差；
将正常数据在鉴别器的输出值和测试数据在鉴别器的输出值的差值的绝对值作为该鉴别器的鉴别损失；
根据所述生成残差和鉴别损失，判断所述时序数据的异常序列数据检测结果。
进一步地，根据所述生成残差和鉴别损失，判断所述时序数据的异常序列数据检测结果，包括：
利用计算公式对所述生成残差和鉴别损失进行处理，得到评判准则α：
其中，X为实时采集的时序数据，X'为生成残差，DL为鉴别损失，β为加权参数；
判断评判准则α与是否大于设置的判别阈值；
若是，则确定所述时序数据中存在异常序列数据；
若否，则确定所述时序数据正常。
第二方面，采用一种融合LSTM和GAN的时间序列数据异常检测系统，包括：优化模块、模型搭建模块、训练验证模块和检测模块；
优化模块用于对生成对抗网络模型中鉴别器网络结构和生成器网络结构进行优化；
模型搭建模块用于根据优化后的生成器网络结构和优化后的鉴别器网络结构，搭建异常检测模型，该优化后的鉴别器网络结构可实现时序数据时序特征提取；
训练验证模块用于对异常检测模型进行训练和验证，确定异常检测模型的参数；
检测模块用于利用确定参数后的异常检测模型对采集的时序数据进行处理，得到异常序列数据检测结果。
进一步地，所述优化模块包括第一优化单元和第二优化单元；
第一优化单元用于将所述生成对抗网络模型中的二维卷积层均拓展为一维卷积层，并将所述生成对抗网络模型中的上采样层均去掉；
第二优化单元用于在所述鉴别器网络结构的第一个卷积层前加入一层LSTM网络。
进一步地，所述训练验证模块包括训练单元和验证单元；
训练单元用于获取训练数据集并输入至所述异常检测模型，并在所述异常检测模型中的生成器和鉴别器达到纳什平衡状态时，得到训练好的异常检测模型；
验证单元用于获取验证数据集并输入至训练好的异常检测模型，以对训练好的异常检测模型的参数进行微调，确定所述异常检测模型的参数。
进一步地，所述检测模块包括重构单元、生成残差计算单元、鉴别损失计算单元和异常序列检测单元；
重构单元用于获取实时采集的时序数据，并将时序数据的映射输入通过所述确定参数后的异常检测模型中生成器进行重构，得到重构数据；
生成残差计算单元用于将得到的重构数据与时序数据的均方根误差作为该生成器的生成残差；
鉴别损失计算单元用于将正常数据在鉴别器的输出值和测试数据在鉴别器的输出值的差值的绝对值作为该鉴别器的鉴别损失；
异常序列检测单元用于根据所述生成残差和鉴别损失，判断所述时序数据的异常序列数据检测结果。
第三方面，采用一种计算机可读存储介质，包括与存储设备结合使用的计算机程序指令，所述计算机程序指令用于被处理器执行显示屏幕水印，执行步骤包括：
对生成对抗网络模型中鉴别器网络结构和生成器网络结构进行优化；
根据优化后的生成器网络结构和优化后的鉴别器网络结构，搭建异常检测模型，该优化后的鉴别器网络结构可实现时序数据时序特征提取；
对异常检测模型进行训练和验证，确定异常检测模型的参数；
利用确定参数后的异常检测模型对采集的时序数据进行处理，得到异常序列数据检测结果。
与现有技术相比，本发明存在以下技术效果：本发明通过对生成对抗网络模型中的鉴别器网络结构和生成器网络结构进行优化，优化后的鉴别器网络结构能够提取出时序数据的时序性特征，同时由于生成对抗对抗网络能够有效检测和获取数据的深层次特征，因而基于优化后的鉴别器网络结构构建的异常检测模块可适用于时序序列数据的深层次特征上的异常检测，解决了传统机器学习技术无法处理深层次时序数据的难题。
附图说明
下面结合附图，对本发明的具体实施方式进行详细描述：
图1是一种融合LSTM和GAN的时间序列数据异常检测方法的流程示意图；
图2是异常检测模型的异常检测原理图；
图3是优化后的生成器网络结构框图；
图4是优化后的鉴别器网络结构框图；
图5是一种时序序列数据异常检测系统的结构示意图；
图6是ECG数据集上不同算法的异常评价指数结果示意图；
图7是轴承数据集上不同算法的异常评价指数结果示意图。
附图中，生成器网络结构和鉴别器网络结构中：
Dense表示全连接层；LeakyRelu表示Leaky Relu激活函数；Conv1D表示一维卷积神经网络；Batch Normalization表示批标准化；LSTM表示长短期记忆网络；GAN表示生成对抗网络；Dropout表示随机冻结层。
具体实施方式
为了更进一步说明本发明的特征，请参阅以下有关本发明的详细说明与附图。所附图仅供参考与说明之用，并非用来对本发明的保护范围加以限制。
如图1所示，本实施例公开了一种时序序列数据异常检测方法，包括如下步骤S1至S4：
S1、对生成对抗网络模型中鉴别器网络结构和生成器网络结构进行优化；
S2、根据优化后的生成器网络结构和优化后的鉴别器网络结构，搭建异常检测模型，该优化后的鉴别器网络结构可实现时序数据时序特征提取；
S3、对异常检测模型进行训练和验证，确定异常检测模型的参数；
S4、利用确定参数后的异常检测模型对采集的时序数据进行处理，得到异常序列数据检测结果。
需要说明的是，由于生成式对抗网络(Generative Adversarial Networks，GAN)根据生成器和鉴别器对抗训练，实现生成器对数据特征的提取和鉴别器对异常数据的判断。由于其对抗训练的思想，生成对抗网络在学习数据特征时，能不断的根据学习到的特征对生成器和鉴别器进行改进，提升生成器生成真实数据的能力和鉴别器鉴别生成数据和真实数据的能力，最终实现数据特征的提取和异常检测模型的构建。其在提取数据深层次特征及构建异常检测模型的优越性，可实现高效、精确的数据异常检测。而本实施例中对生成对抗网络模型中的鉴别器进行优化，使得优化后的鉴别器网络结构具有时序数据时序特征提取的功能，较好的解决了时间序列数据中深层次特征上的异常检测。
进一步地，如图3、图4所示，上述步骤S1：对生成对抗网络模型中鉴别器网络结构和生成器网络结构进行优化，包括：
将所述生成对抗网络模型中生成器网络结构和鉴别器网络结构的二维卷积层全部拓展为一维卷积层，并将所述生成对抗网络模型中生成器网络结构和鉴别器网络结构的上采样层均去掉；
在所述鉴别器网络结构的第一个卷积层前加入一层LSTM网络。
需要说明的是，通过将二维卷积层拓展为一维卷积层，优化后的模型能够较好地应用于时间序列数据中；通过在鉴别器网络结构中添加上LSTM网络，该模型具备优异的时序性数据处理能力。
需要说明的是，长短期记忆网络(Long Short-Term Memory，LSTM)在处理时间序列时可以根据序列特征选择性的获取序列中重要的信息而忽视无关紧要的信息，从而提升了对时序性数据的处理能力，也在处理时序性数据中得到了广泛的应用，主要用于文本分类、语句生成和机器翻译等领域中。
由于生成对抗网络通过生成器和鉴别器拟合出合适的生成函数和鉴别函数，可以自动的学习原始真实样本集的数据分布，而不受数据波动特性的影响。采用LSTM网络作为其生成器和鉴别器可以学习到突变式数据的时序特性，提升生成函数和鉴别函数的拟合效果。本实施例设计出的融合LSTM与GAN的异常检测方法，将生成对抗网络引入序列数据的生成中，并利用LSTM的时序处理能力提升网络的拟合效果，实现样本数据的重构，并采用合适的阈值方法实现时序数据的异常检测。
进一步地，上述步骤S3：对异常检测模型进行训练和验证，确定异常检测模型的参数，包括如下步骤S31至S32：
S31、获取训练数据集并输入至所述异常检测模型，并在所述异常检测模型中的生成器和鉴别器达到纳什平衡状态时，得到训练好的异常检测模型；
S32、获取测试数据集并输入至训练好的异常检测模型，以对训练好的异常检测模型的参数进行微调，确定所述异常检测模型的参数。
具体地，该过程将带有标记的训练数据集代入异常检测模型中进行训练，得到模型参数之后，再将验证数据集代入模型中进行参数微调，最终确定异常检测模型的参数。如图2所示，在训练过程部分，将随机高斯噪声数据的样本空间的映射向量作为异常检测模型生成器的输入，实现训练数据的重构，得到样本数据；将正常类数据和随机高斯噪声生成的生成样本即非正常类数据作为异常检测模型中鉴别器的输入，使鉴别器实现正常数据和生成样本之间的区分，其次固定鉴别器参数并调整生成器参数，使生成器的生成样本欺骗鉴别器而被判别为正常类。
若生成器生成的样本被鉴别器从正常训练数据中区分开来，这说明生成器的学习能力有待提升，继续调整生成器参数。若鉴别器无法正确鉴别出生成器的生成样本和正常训练数据，这说明鉴别器的鉴别能力有待提升，则继续调整鉴别器参数。在经过足够次数的迭代后，鉴别器和生成器均能达到较高的鉴别水平和生成水平，生成器能生成足构逼真的数据，鉴别器能够区分开正常类数据和浅层生成数据。经过多次训练，使得异常检测模型中的生成器与鉴别器将达到纳什平衡状态，此时各参数均取得较为理想的数值。
另外，为了便于模型推广到测试数据集中，有必要选取合适的测试数据集进行模型参数微调，经过微调后的模型更加具有实用性。在测试过程中，采用鉴别器第二层Conv1D之前的结构实现测试数据的特征提取以获得特征序列，并将特征序列作为生成器的输入以进行数据重构，将重构数据和测试数据之间的均方根误差作为生成器的生成残差，其次将将正常数据在鉴别器的输出值(即为1)和测试数据在鉴别器的输出值的差值的绝对值作为该鉴别器的鉴别损失。最后结合生成残差和鉴别损失，整合作为异常检测得分结果。
进一步地，上述步骤S4：利用确定参数后的异常检测模型对采集的测试数据进行处理，得到异常序列数据检测结果，包括S41至S44：
S41、获取实时采集的时序数据，并将时序数据的映射输入通过所述确定参数后的异常检测模型中生成器进行重构，得到重构数据；
S42、将重构数据与时序数据的均方根误差作为该生成器的生成残差；
S43、将正常数据在鉴别器的输出值和测试数据在鉴别器的输出值的差值的绝对值作为该鉴别器的鉴别损失；
S44、根据所述生成残差和鉴别损失，判断所述时序数据的异常序列数据检测结果。
需要说明的是，生成器生成逼近真实正常数据的样本序列，并与测试数据序列比较计算均方误差作为生成残差；鉴别器鉴别正常数据和异常数据，计算鉴别器输出作为鉴别损失；生成残差和鉴别损失整合作为异常判别准则。若测试数据序列为正常序列，则生成残差应当接近于0，若测试数据序列包含异常值，则生成残差值较大。若测试数据为正常序列，则鉴别损失输出小于0.5，若鉴别数据包含异常点，则鉴别损失输出大于0.5，因此根据整合误差设定合理阈值即可实现正常类和异常类的区分。
进一步地，上述步骤S44：根据生成残差和鉴别损失，判断所述时序数据的异常序列数据检测结果，包括如下步骤：
利用计算公式对所述生成残差和鉴别损失进行处理，得到评判准则α：
其中，X'为生成残差，DL为鉴别损失，β为加权参数；
判断评判准则α与是否大于设置的判别阈值；
若是，则确定所述时序数据中存在异常序列数据；
若否，则确定所述时序数据正常。
需要说明的是，本领域技术人员可以根据历史数据及经验设置设置判别阈值的具体值。
如5所示，本实施例公开了一种融合LSTM和GAN的时间序列数据异常检测系统，包括：优化模块10、模型搭建模块20、训练验证模块30和检测模块40；
优化模块10用于对生成对抗网络模型中鉴别器网络结构和生成器网络结构进行优化；
模型搭建模块20用于根据优化后的生成器网络结构和优化后的鉴别器网络结构，搭建异常检测模型，该优化后的鉴别器网络结构可实现时序数据时序特征提取；
训练验证模块30用于对异常检测模型进行训练和验证，确定异常检测模型的参数；
检测模块40用于利用确定参数后的异常检测模型对采集的时序数据进行处理，得到异常序列数据检测结果。
其中，优化模块10包括第一优化单元和第二优化单元；
第一优化单元用于将将所述生成对抗网络模型中生成器网络结构和鉴别器网络结构的二维卷积层全部拓展为一维卷积层，并将所述生成对抗网络模型中生成器网络结构和鉴别器网络结构的上采样层均去掉；
第二优化单元用于在所述鉴别器网络结构的第一个卷积层前加入一层LSTM网络。
需要说明的是，本实施例借鉴生成对抗网络在图片生成结果足以混淆真实图片数据的优点，将生成对抗网络用来加深和增强对正常类时序数据的学习和拟合。该部分融合了长短时记忆网络和生成对抗网络两种模型，利用长短时记忆网络提取时间序列数据的特征，并用生成对抗网络学习正常类时序数据的特征，最后在两类时序数据上进行异常检测。
其中，训练验证模块30包括训练单元和验证单元；
训练单元用于获取训练数据集并输入至所述异常检测模型，并在所述异常检测模型中的生成器和鉴别器达到纳什平衡状态时，得到训练好的异常检测模型；
验证单元用于获取验证数据集并输入至训练好的异常检测模型，以对训练好的异常检测模型的参数进行微调，确定所述异常检测模型的参数。
其中，检测模块40包括重构单元、生成残差计算单元、鉴别损失计算单元和异常序列检测单元；
重构单元用于获取实时采集的时序数据，并将时序数据的映射输入通过所述确定参数后的异常检测模型中生成器进行重构，得到重构数据；
生成残差计算单元用于将得到的重构数据与时序数据的均方根误差作为该生成器的生成残差；
鉴别损失计算单元用于将正常数据在鉴别器的输出值(即为1)和测试数据在鉴别器的输出值的差值的绝对值作为该鉴别器的鉴别损失；
异常序列检测单元用于利用计算公式对生成残差和鉴别损失进行处理，得到评判准则α：
其中，X'为生成残差，DL为鉴别损失，β为加权参数；
并判断评判准则α与是否大于设置的判别阈值，在判断结果为是时确定所述时序数据中存在异常序列数据；在判断结果为否时，确定所述时序数据正常。
本实施例还公开了一种计算机可读存储介质，包括与存储设备结合使用的计算机程序指令，所述计算机程序指令用于被处理器执行显示屏幕水印，执行步骤包括如下步骤S1至S4：
S1、对生成对抗网络模型中鉴别器网络结构和生成器网络结构进行优化；
S2、根据优化后的生成器网络结构和优化后的鉴别器网络结构，搭建异常检测模型，该优化后的鉴别器网络结构可实现时序数据时序特征提取；
S3、对异常检测模型进行训练和验证，确定异常检测模型的参数；
S4、利用确定参数后的异常检测模型对采集的时序数据进行处理，得到异常序列数据检测结果。
进一步地，步骤S4：对生成对抗网络模型中鉴别器网络结构和生成器网络结构进行优化，包括：
将所述生成对抗网络模型中生成器网络结构和鉴别器网络结构的二维卷积层全部拓展为一维卷积层，并将所述生成对抗网络模型中生成器网络结构和鉴别器网络结构的上采样层均去掉；在所述鉴别器网络结构的第一个卷积层前加入一层LSTM网络。
本实施例充分利用了LSTM提取时序性数据时序特征的优势，能够很好地应用于时序数据。同时利用GAN提取数据深层次特征及构建正常数据模型的优越性能，实现更加高效、精确的数据异常检测。
进一步地，步骤S4：利用确定参数后的异常检测模型对采集的时序数据进行处理，得到异常序列数据检测结果，包括如下步骤：
获取实时采集的时序数据，并将时序数据的映射输入通过所述确定参数后的异常检测模型中生成器进行重构，得到重构数据；
将得到的重构数据与时序数据的均方根误差作为该生成器的生成残差；
将正常数据在鉴别器的输出值(即为1)和测试数据在鉴别器的输出值的差值的绝对值作为该鉴别器的鉴别损失；
根据所述生成残差和鉴别损失，判断所述时序数据的异常序列数据检测结果，具体为：假设X为一组训练数据，X'为对应生成器生成残差，DL为对应鉴别器鉴别损失，β为加权参数，计算得到评判准则α：
然后将评判准则α与设置的判别阈值进行比较，在评判准则α超过怕判别阈值时，即确定时序数据中存在异常序列数据。
需要说明的是，本实施例在测试过程中，测试数据的映射输入通过LSTM生成器进行重构，与测试数据进行生成残差的计算，并将测试数据通过LSTM鉴别器得到鉴别损失，协同考虑了生成残差和鉴别损失，根据合理的阈值设置即可检测该测试数据的异常结果。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
为验证本申请提出方法的有效性、合理性、可行性及科学性，利用本方法对实时采集的心电数据(Eacan Cyber Games，ECG)的时间序列数据和美国凯斯西储大学轴承数据进行异常检测。其中，ECG时间序列数据集每条数据记录一次心跳期间的电活动，每条数据上有96个时间采样点，即96个数据值，该数据分为正常心跳类和心肌梗塞异常类，其异常数据所占比例为36％。在西储大学轴承数据中，考虑48K采样频率下的驱动端轴承故障情况的电机负载振动数据，包括在内滚道、滚动体(球体)和外滚道引入直径为0.007英寸至0.040英寸的故障。
需要说明的是，本实验在训练过程中，仅采用正常类数据作为训练数据，使得生成器和鉴别器学习到正常类数据的模型特征；在测试过程中，采用正常类数据和异常类数据作为测试数据。同时，根据模型的网络结构，需对输入训练数据和输入测试数据提前进行规范化处理，将数据值规范到[-1,1]区间范围，以便于网络层的参数传递和更新。
其中，图6和表1分别为ECG数据集上不同算法ROC曲线图和不同算法的异常评价指数结果。实验中各参数进行如下设置：试验中各参数设置如下：其中LSTM-GAN方法的迭代次数设置为1000，评价准则加权参数β设置为0.8，判别阈值取为0.215；Isolation Forest、Local Outlier Factor、One-Class SVM、Gaussian Statistical Model算法均采用Python中sklearn库实现，且Isolation Forest、Local Outlier Factor、Gaussian StatisticalModel的约束参数均设为0.01；One-Class SVM的核函数采用KBF，参数Gamma取为0.1。
表1
算法 精确率 召回率 F1值 准确率
Isolation Forest 1.0000 0.1111 0.2000 0.7200
Local Outlier Factor 0.8889 0.1127 0.2000 0.7100
One-Class SVM 0.7222 0.3250 0.4483 0.8000
Gaussian Statistical Model 0.3600 1.0000 0.5294 0.3600
LSTM-GAN 0.7429 0.3210 0.4483 0.8100
图7和表2分别为西储大学轴承数据集上不同算法ROC曲线图和不同算法的异常评价指数结果。试验中各参数设置如下：其中LSTM-GAN方法的迭代次数为1000，评价准则加权参数β设置为0.6，判别阈值取为0.25；Isolation Forest、Local Outlier Factor、One-Class SVM、Gaussian Statistical Model算法均采用Python中sklearn库中的模型实现，且Isolation Forest、Local Outlier Factor、Gaussian Statistical Model的Contamination参数均设为0.01，One-Class SVM的核函数采用KBF,参数Gamma取为0.1。
表2
Recriver Operating Chartacteristic(ROC)表示受试者工作特征曲线，是反映敏感性和特异性连续变量的综合指标；False Positive Rate表示假正率，即为被模型检测为正类的负样本数比上负类样本总数的结果；True Positive Rate表示真正率，也称为灵敏度，即为被模型检测为正类的正样本数比上正类样本总数的结果；Area Under Curve(AUC)表示ROC曲线下面积，无单位，取值为0到1之间，面积越大则诊断准确性越高。
Isolation Forest表示孤立森林算法；Local Outlier Factor表示局部异常因子算法；One-Class SVM表示一类支持向量机；Gaussian Statistical Model表示高斯统计模型；LSTM-GAN表示本申请提出的融合LSTM和GAN的深度学习异常检测模型。
在异常评价指数中，精确率表示检测为正类且实际为正类的样本数量占所有检测为正类的样本数量的比例，值越大，检测性能越好；召回率表示检测为正类且实际为正类的样本数量占所有实际为正类的样本数量的比例，值越大，检测性能越好；F1-measure为综合考虑精确率和召回率的指标，值越大，检测性能越好；准确率表示检测结果与实际类型相同的样本数量占所有样本数量的比例，值越大，检测性能越好。注意，在本方法计算过程中，正类表述为异常检测过程的目标类，即异常类序列数据，负类表述为正常类序列数据。
从图6和7可以看出，融合LSTM和GAN的时序数据异常检测方法能够取得最高的AUC值，说明其具有最好的检测准确性能；其次为Local Outlier Factor、GaussianStatistical Model算法，检测准确性略低于LSTM-GAN算法；相比之下，Isolation Forest、One-Class SVM表现欠佳。从表1可以看出，LSTM-GAN在准确率上表现最佳，在其他几项指数上也有具备竞争性表现；从表2可以看出，LSTM-GAN在精确率及准确率上均表现最佳，在召回率及F1值也表现较好。总结来看，基于LSTM-GAN的检测方法整体优于传统方法。
由试验结果可以看出，本发明提出的方法可以较好地提取时间序列数据的深层时序特征，能有效、准确地实现对时序数据的异常检测。且本实施例中的特征提取、建模及判别过程不仅适用于系统故障诊断与预测领域，在训练数据集充足且纯净的情况下，还适用于其他具有类似时序特征的数据检测过程中，应用范围较广泛。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种融合LSTM和GAN的时间序列数据异常检测方法，其特征在于，包括：
对生成对抗网络模型中鉴别器网络结构和生成器网络结构进行优化；
根据优化后的生成器网络结构和优化后的鉴别器网络结构，搭建异常检测模型，该优化后的鉴别器网络结构可实现时序数据时序特征提取；
对异常检测模型进行训练和验证，确定异常检测模型的参数；
利用确定参数后的异常检测模型对采集的时序数据进行处理，得到异常序列数据检测结果。
2.如权利要求1所述的融合LSTM和GAN的时间序列数据异常检测方法，其特征在于，所述对生成对抗网络模型中鉴别器网络结构和生成器网络结构进行优化，包括：
将所述生成对抗网络模型中的二维卷积层均拓展为一维卷积层，并将所述生成对抗网络模型中的上采样层均去掉；
在所述鉴别器网络结构的第一个卷积层前加入一层LSTM网络。
3.如权利要求1所述的融合LSTM和GAN的时间序列数据异常检测方法，其特征在于，所述对异常检测模型进行训练和验证，确定异常检测模型的参数，包括：
获取训练数据集并输入至所述异常检测模型，并在所述异常检测模型中的生成器和鉴别器达到纳什平衡状态时，得到训练好的异常检测模型；
获取验证数据集并输入至训练好的异常检测模型，以对训练好的异常检测模型的参数进行微调，确定所述异常检测模型的参数。
4.如权利要求1所述的融合LSTM和GAN的时间序列数据异常检测方法，其特征在于，所述利用确定参数后的异常检测模型对采集的测试数据进行处理，得到异常序列数据检测结果，包括：
获取实时采集的时序数据，并将时序数据的映射输入通过所述确定参数后的异常检测模型中生成器进行重构，得到重构数据；
将得到的重构数据与时序数据的均方根误差作为该生成器的生成残差；
将正常数据在鉴别器的输出值和测试数据在鉴别器的输出值的差值的绝对值作为该鉴别器的鉴别损失；
根据所述生成残差和鉴别损失，判断所述时序数据的异常序列数据检测结果。
5.如权利要求1-4任一项所述的融合LSTM和GAN的时间序列数据异常检测方法，其特征在于，根据所述生成残差和鉴别损失，判断所述时序数据的异常序列数据检测结果，包括：
利用计算公式对所述生成残差和鉴别损失进行处理，得到评判准则α：
其中，X为实时采集的时序数据，X'为生成残差，DL为鉴别损失，β为加权参数；
判断评判准则α与是否大于设置的判别阈值；
若是，则确定所述时序数据中存在异常序列数据；
若否，则确定所述时序数据正常。
6.一种融合LSTM和GAN的时间序列数据异常检测系统，其特征在于，包括：优化模块、模型搭建模块、训练验证模块和检测模块；
优化模块用于对生成对抗网络模型中鉴别器网络结构和生成器网络结构进行优化；
模型搭建模块用于根据优化后的生成器网络结构和优化后的鉴别器网络结构，搭建异常检测模型，该优化后的鉴别器网络结构可实现时序数据时序特征提取；
训练验证模块用于对异常检测模型进行训练和验证，确定异常检测模型的参数；
检测模块用于利用确定参数后的异常检测模型对采集的时序数据进行处理，得到异常序列数据检测结果。
7.如权利要求6所述的融合LSTM和GAN的时间序列数据异常检测系统，其特征在于，所述优化模块包括第一优化单元和第二优化单元；
第一优化单元用于将所述生成对抗网络模型中的二维卷积层均拓展为一维卷积层，并将所述生成对抗网络模型中的上采样层均去掉；
第二优化单元用于在所述鉴别器网络结构的第一个卷积层前加入一层LSTM网络。
8.如权利要求6所述的融合LSTM和GAN的时间序列数据异常检测系统，其特征在于，所述训练验证模块包括训练单元和验证单元；
训练单元用于获取训练数据集并输入至所述异常检测模型，并在所述异常检测模型中的生成器和鉴别器达到纳什平衡状态时，得到训练好的异常检测模型；
验证单元用于获取验证数据集并输入至训练好的异常检测模型，以对训练好的异常检测模型的参数进行微调，确定所述异常检测模型的参数。
9.如权利要求6所述的融合LSTM和GAN的时间序列数据异常检测系统，其特征在于，所述检测模块包括重构单元、生成残差计算单元、鉴别损失计算单元和异常序列检测单元；
重构单元用于获取实时采集的时序数据，并将时序数据的映射输入通过所述确定参数后的异常检测模型中生成器进行重构，得到重构数据；
生成残差计算单元用于将得到的重构数据与时序数据的均方根误差作为该生成器的生成残差；
鉴别损失计算单元用于将正常数据在鉴别器的输出值和测试数据在鉴别器的输出值的差值的绝对值作为该鉴别器的鉴别损失；
异常序列检测单元用于根据所述生成残差和鉴别损失，判断所述时序数据的异常序列数据检测结果。
10.一种计算机可读存储介质，其特征在于，包括与存储设备结合使用的计算机程序指令，所述计算机程序指令用于被处理器执行显示屏幕水印，执行步骤包括：
对生成对抗网络模型中鉴别器网络结构和生成器网络结构进行优化；
根据优化后的生成器网络结构和优化后的鉴别器网络结构，搭建异常检测模型，该优化后的鉴别器网络结构可实现时序数据时序特征提取；
对异常检测模型进行训练和验证，确定异常检测模型的参数；
利用确定参数后的异常检测模型对采集的时序数据进行处理，得到异常序列数据检测结果。
CN201910809956.9A 2019-08-29 2019-08-29 一种融合lstm和gan的时间序列数据异常检测方法 Pending CN110598851A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910809956.9A CN110598851A (zh) 2019-08-29 2019-08-29 一种融合lstm和gan的时间序列数据异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910809956.9A CN110598851A (zh) 2019-08-29 2019-08-29 一种融合lstm和gan的时间序列数据异常检测方法

Publications (1)

Publication Number Publication Date
CN110598851A true CN110598851A (zh) 2019-12-20

Family

ID=68856334

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910809956.9A Pending CN110598851A (zh) 2019-08-29 2019-08-29 一种融合lstm和gan的时间序列数据异常检测方法

Country Status (1)

Country Link
CN (1) CN110598851A (zh)

Cited By (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111222555A (zh) * 2019-12-31 2020-06-02 南京天技通信技术实业有限公司 基于多粒度时序结构表示的含油气性检测方法
CN111223093A (zh) * 2020-03-04 2020-06-02 武汉精立电子技术有限公司 一种aoi缺陷检测方法
CN111241744A (zh) * 2020-01-07 2020-06-05 浙江大学 一种基于双向lstm的低压铸造机时间序列数据异常检测方法
CN111459778A (zh) * 2020-03-12 2020-07-28 平安科技（深圳）有限公司 运维系统异常指标检测模型优化方法、装置及存储介质
CN111625785A (zh) * 2020-05-07 2020-09-04 清华四川能源互联网研究院 一种基于数据特征权重分析的时序数据水印比较算法
CN111914932A (zh) * 2020-07-31 2020-11-10 微软技术许可有限责任公司 用于异常检测的模型选择和参数估计
CN111985924A (zh) * 2020-05-22 2020-11-24 徽商银行股份有限公司 一种基于深度学习的信用卡异常交易行为判定方法及系统
CN112052750A (zh) * 2020-08-20 2020-12-08 南京信息工程大学 基于类不平衡传感数据与深度模型的心律失常分类方法
CN112101431A (zh) * 2020-08-30 2020-12-18 西南电子技术研究所（中国电子科技集团公司第十研究所） 电子设备故障诊断系统
CN112257917A (zh) * 2020-10-19 2021-01-22 北京工商大学 一种基于熵特征和神经网络的时间序列异常模式检测方法
CN112561383A (zh) * 2020-12-24 2021-03-26 航天科工网络信息发展有限公司 一种基于生成对抗网络的实时异常检测方法
CN112565275A (zh) * 2020-12-10 2021-03-26 杭州安恒信息技术股份有限公司 一种网络安全场景的异常检测方法、装置、设备及介质
CN112580577A (zh) * 2020-12-28 2021-03-30 出门问问(苏州)信息科技有限公司 一种基于面部关键点生成说话人图像的训练方法及装置
CN112598111A (zh) * 2020-12-04 2021-04-02 光大科技有限公司 异常数据的识别方法和装置
CN112632127A (zh) * 2020-12-29 2021-04-09 国华卫星数据科技有限公司 设备运行实时数据采集及时序的数据处理方法
CN112749509A (zh) * 2020-12-30 2021-05-04 西华大学 一种基于lstm神经网络的智能变电站故障诊断方法
CN112767106A (zh) * 2021-01-14 2021-05-07 中国科学院上海高等研究院 自动化审计方法、系统、计算机可读存储介质及审计设备
CN112883368A (zh) * 2021-03-08 2021-06-01 网易（杭州）网络有限公司 异常进程检测方法及装置、存储介质和电子设备
CN112884062A (zh) * 2021-03-11 2021-06-01 四川省博瑞恩科技有限公司 一种基于cnn分类模型和生成对抗网络的运动想象分类方法及系统
CN112989710A (zh) * 2021-04-22 2021-06-18 苏州联电能源发展有限公司 工控传感器数值异常检测方法及装置
CN113066475A (zh) * 2021-06-03 2021-07-02 成都启英泰伦科技有限公司 一种基于生成式对抗网络的语音合成方法
CN113077005A (zh) * 2021-04-13 2021-07-06 西安交通大学 一种基于lstm自编码器和正常信号数据的异常检测系统及方法
CN113127705A (zh) * 2021-04-02 2021-07-16 西华大学 一种异构双向生成对抗网络模型及时间序列异常检测方法
CN113157760A (zh) * 2020-01-22 2021-07-23 阿里巴巴集团控股有限公司 目标数据确定方法及装置
CN113157758A (zh) * 2020-01-07 2021-07-23 微软技术许可有限责任公司 定制化异常检测
CN113239619A (zh) * 2021-05-08 2021-08-10 国网江西省电力有限公司萍乡供电分公司 一种基于机器学习混合模型的专变用户异常用电行为检测方法
CN113591909A (zh) * 2021-06-23 2021-11-02 北京智芯微电子科技有限公司 电力系统的异常检测方法、异常检测装置以及存储介质
CN113657623A (zh) * 2021-07-13 2021-11-16 国网河北省电力有限公司电力科学研究院 电力设备状态诊断效果确定方法、装置、终端及存储介质
CN113806615A (zh) * 2021-11-18 2021-12-17 成都索贝数码科技股份有限公司 一种智能it运维系统的kpi异常预警方法
CN114113516A (zh) * 2021-10-27 2022-03-01 内蒙古工业大学 一种基于gan的水质异常数据检测方法
CN114139648A (zh) * 2021-12-07 2022-03-04 北京科技大学 一种尾矿充填管路异常智能检测方法及系统
CN114423035A (zh) * 2022-01-12 2022-04-29 重庆邮电大学 一种网络切片场景下服务功能链异常检测方法
CN114553756A (zh) * 2022-01-27 2022-05-27 烽火通信科技股份有限公司 基于联合生成对抗网络的设备故障检测方法与电子设备
CN114549930A (zh) * 2022-02-21 2022-05-27 合肥工业大学 一种基于轨迹数据的快速路短时车头间距预测方法
WO2022142494A1 (zh) * 2020-12-30 2022-07-07 京东城市(北京)数字科技有限公司 时序数据的异常监测方法、装置、电子设备和存储介质
CN115081555A (zh) * 2022-08-16 2022-09-20 南京航空航天大学 基于生成对抗和双向循环神经网络的异常检测方法及装置
CN116108371A (zh) * 2023-04-13 2023-05-12 西华大学 基于级联异常生成网络的云服务异常诊断方法与系统
CN116644367A (zh) * 2022-02-14 2023-08-25 腾讯科技（深圳）有限公司 一种异常对象的检测方法、装置以及存储介质
CN117473275A (zh) * 2023-12-27 2024-01-30 芯知科技(江苏)有限公司 一种数据中心的能耗检测方法
US11914047B2 (en) 2020-12-14 2024-02-27 CACI, Inc.—Federal Systems and methods for predicting ionospheric electron content

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107944546A (zh) * 2017-11-14 2018-04-20 华南理工大学 一种基于原始生成对抗网络模型的残差网络方法
US20190130212A1 (en) * 2017-10-30 2019-05-02 Nec Laboratories America, Inc. Deep Network Embedding with Adversarial Regularization
CN109741736A (zh) * 2017-10-27 2019-05-10 百度（美国）有限责任公司 使用生成对抗网络进行鲁棒语音识别的系统和方法
CN109948117A (zh) * 2019-03-13 2019-06-28 南京航空航天大学 一种对抗网络自编码器的卫星异常检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109741736A (zh) * 2017-10-27 2019-05-10 百度（美国）有限责任公司 使用生成对抗网络进行鲁棒语音识别的系统和方法
US20190130212A1 (en) * 2017-10-30 2019-05-02 Nec Laboratories America, Inc. Deep Network Embedding with Adversarial Regularization
CN107944546A (zh) * 2017-11-14 2018-04-20 华南理工大学 一种基于原始生成对抗网络模型的残差网络方法
CN109948117A (zh) * 2019-03-13 2019-06-28 南京航空航天大学 一种对抗网络自编码器的卫星异常检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DAN LI等: "MAD-GAN: Multivariate Anomaly Detection for Time Series Data with Generative Adversarial Networks", 《ARTIFICIAL NEURAL NETWORKS AND MACHINE LEARNING – ICANN 2019: TEXT AND TIME SERIES》 *
FEI ZHU等: "Electrocardiogram generation with a bidirectional LSTM-CNN generative adversarial network", 《SCIENTIFIC REPORTS》 *
HOUSSAM ZENATI等: "Efficient GAN-Based Anomaly Detection", 《ICLR 2018》 *

Cited By (58)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111222555B (zh) * 2019-12-31 2023-06-20 南京天技通信技术实业有限公司 基于多粒度时序结构表示的含油气性检测方法
CN111222555A (zh) * 2019-12-31 2020-06-02 南京天技通信技术实业有限公司 基于多粒度时序结构表示的含油气性检测方法
CN113157758A (zh) * 2020-01-07 2021-07-23 微软技术许可有限责任公司 定制化异常检测
CN111241744A (zh) * 2020-01-07 2020-06-05 浙江大学 一种基于双向lstm的低压铸造机时间序列数据异常检测方法
CN111241744B (zh) * 2020-01-07 2022-08-09 浙江大学 一种基于双向lstm的低压铸造机时间序列数据异常检测方法
CN113157760A (zh) * 2020-01-22 2021-07-23 阿里巴巴集团控股有限公司 目标数据确定方法及装置
CN111223093A (zh) * 2020-03-04 2020-06-02 武汉精立电子技术有限公司 一种aoi缺陷检测方法
CN111459778A (zh) * 2020-03-12 2020-07-28 平安科技（深圳）有限公司 运维系统异常指标检测模型优化方法、装置及存储介质
CN111459778B (zh) * 2020-03-12 2024-05-07 平安科技（深圳）有限公司 运维系统异常指标检测模型优化方法、装置及存储介质
CN111625785A (zh) * 2020-05-07 2020-09-04 清华四川能源互联网研究院 一种基于数据特征权重分析的时序数据水印比较算法
CN111625785B (zh) * 2020-05-07 2022-03-01 清华四川能源互联网研究院 一种基于数据特征权重分析的时序数据水印比较方法
CN111985924A (zh) * 2020-05-22 2020-11-24 徽商银行股份有限公司 一种基于深度学习的信用卡异常交易行为判定方法及系统
CN111914932A (zh) * 2020-07-31 2020-11-10 微软技术许可有限责任公司 用于异常检测的模型选择和参数估计
CN112052750A (zh) * 2020-08-20 2020-12-08 南京信息工程大学 基于类不平衡传感数据与深度模型的心律失常分类方法
CN112101431A (zh) * 2020-08-30 2020-12-18 西南电子技术研究所（中国电子科技集团公司第十研究所） 电子设备故障诊断系统
CN112257917B (zh) * 2020-10-19 2023-05-12 北京工商大学 一种基于熵特征和神经网络的时间序列异常模式检测方法
CN112257917A (zh) * 2020-10-19 2021-01-22 北京工商大学 一种基于熵特征和神经网络的时间序列异常模式检测方法
CN112598111A (zh) * 2020-12-04 2021-04-02 光大科技有限公司 异常数据的识别方法和装置
CN112565275A (zh) * 2020-12-10 2021-03-26 杭州安恒信息技术股份有限公司 一种网络安全场景的异常检测方法、装置、设备及介质
US11914047B2 (en) 2020-12-14 2024-02-27 CACI, Inc.—Federal Systems and methods for predicting ionospheric electron content
CN112561383A (zh) * 2020-12-24 2021-03-26 航天科工网络信息发展有限公司 一种基于生成对抗网络的实时异常检测方法
CN112580577A (zh) * 2020-12-28 2021-03-30 出门问问(苏州)信息科技有限公司 一种基于面部关键点生成说话人图像的训练方法及装置
CN112580577B (zh) * 2020-12-28 2023-06-30 出门问问(苏州)信息科技有限公司 一种基于面部关键点生成说话人图像的训练方法及装置
CN112632127A (zh) * 2020-12-29 2021-04-09 国华卫星数据科技有限公司 设备运行实时数据采集及时序的数据处理方法
CN112632127B (zh) * 2020-12-29 2022-07-15 国华卫星数据科技有限公司 设备运行实时数据采集及时序的数据处理方法
CN112749509A (zh) * 2020-12-30 2021-05-04 西华大学 一种基于lstm神经网络的智能变电站故障诊断方法
WO2022142494A1 (zh) * 2020-12-30 2022-07-07 京东城市(北京)数字科技有限公司 时序数据的异常监测方法、装置、电子设备和存储介质
CN112767106A (zh) * 2021-01-14 2021-05-07 中国科学院上海高等研究院 自动化审计方法、系统、计算机可读存储介质及审计设备
CN112767106B (zh) * 2021-01-14 2023-11-07 中国科学院上海高等研究院 自动化审计方法、系统、计算机可读存储介质及审计设备
CN112883368A (zh) * 2021-03-08 2021-06-01 网易（杭州）网络有限公司 异常进程检测方法及装置、存储介质和电子设备
CN112884062A (zh) * 2021-03-11 2021-06-01 四川省博瑞恩科技有限公司 一种基于cnn分类模型和生成对抗网络的运动想象分类方法及系统
CN112884062B (zh) * 2021-03-11 2024-02-13 四川省博瑞恩科技有限公司 一种基于cnn分类模型和生成对抗网络的运动想象分类方法及系统
CN113127705A (zh) * 2021-04-02 2021-07-16 西华大学 一种异构双向生成对抗网络模型及时间序列异常检测方法
CN113077005B (zh) * 2021-04-13 2024-04-05 西安交通大学 一种基于lstm自编码器和正常信号数据的异常检测系统及方法
CN113077005A (zh) * 2021-04-13 2021-07-06 西安交通大学 一种基于lstm自编码器和正常信号数据的异常检测系统及方法
CN112989710B (zh) * 2021-04-22 2024-03-01 苏州联电能源发展有限公司 工控传感器数值异常检测方法及装置
CN112989710A (zh) * 2021-04-22 2021-06-18 苏州联电能源发展有限公司 工控传感器数值异常检测方法及装置
CN113239619A (zh) * 2021-05-08 2021-08-10 国网江西省电力有限公司萍乡供电分公司 一种基于机器学习混合模型的专变用户异常用电行为检测方法
CN113066475B (zh) * 2021-06-03 2021-08-06 成都启英泰伦科技有限公司 一种基于生成式对抗网络的语音合成方法
CN113066475A (zh) * 2021-06-03 2021-07-02 成都启英泰伦科技有限公司 一种基于生成式对抗网络的语音合成方法
CN113591909A (zh) * 2021-06-23 2021-11-02 北京智芯微电子科技有限公司 电力系统的异常检测方法、异常检测装置以及存储介质
CN113657623A (zh) * 2021-07-13 2021-11-16 国网河北省电力有限公司电力科学研究院 电力设备状态诊断效果确定方法、装置、终端及存储介质
CN113657623B (zh) * 2021-07-13 2023-09-29 国网河北省电力有限公司电力科学研究院 电力设备状态诊断效果确定方法、装置、终端及存储介质
CN114113516A (zh) * 2021-10-27 2022-03-01 内蒙古工业大学 一种基于gan的水质异常数据检测方法
CN113806615A (zh) * 2021-11-18 2021-12-17 成都索贝数码科技股份有限公司 一种智能it运维系统的kpi异常预警方法
CN113806615B (zh) * 2021-11-18 2022-03-04 成都索贝数码科技股份有限公司 一种智能it运维系统的kpi异常预警方法
CN114139648A (zh) * 2021-12-07 2022-03-04 北京科技大学 一种尾矿充填管路异常智能检测方法及系统
CN114423035A (zh) * 2022-01-12 2022-04-29 重庆邮电大学 一种网络切片场景下服务功能链异常检测方法
CN114423035B (zh) * 2022-01-12 2023-09-19 北京宇卫科技有限公司 一种网络切片场景下服务功能链异常检测方法
CN114553756A (zh) * 2022-01-27 2022-05-27 烽火通信科技股份有限公司 基于联合生成对抗网络的设备故障检测方法与电子设备
CN116644367A (zh) * 2022-02-14 2023-08-25 腾讯科技（深圳）有限公司 一种异常对象的检测方法、装置以及存储介质
CN114549930B (zh) * 2022-02-21 2023-01-10 合肥工业大学 一种基于轨迹数据的快速路短时车头间距预测方法
CN114549930A (zh) * 2022-02-21 2022-05-27 合肥工业大学 一种基于轨迹数据的快速路短时车头间距预测方法
CN115081555B (zh) * 2022-08-16 2023-12-08 南京航空航天大学 基于生成对抗和双向循环神经网络的异常检测方法及装置
CN115081555A (zh) * 2022-08-16 2022-09-20 南京航空航天大学 基于生成对抗和双向循环神经网络的异常检测方法及装置
CN116108371A (zh) * 2023-04-13 2023-05-12 西华大学 基于级联异常生成网络的云服务异常诊断方法与系统
CN117473275A (zh) * 2023-12-27 2024-01-30 芯知科技(江苏)有限公司 一种数据中心的能耗检测方法
CN117473275B (zh) * 2023-12-27 2024-03-26 芯知科技(江苏)有限公司 一种数据中心的能耗检测方法

Similar Documents

Publication Publication Date Title
CN110598851A (zh) 一种融合lstm和gan的时间序列数据异常检测方法
CN107505133B (zh) 基于自适应mrvm的滚动轴承故障概率性智能诊断方法
CN106323635B (zh) 一种滚动轴承故障在线检测与状态评估方法
CN110263846A (zh) 基于故障数据深度挖掘及学习的故障诊断方法
CN111914883B (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
US7567878B2 (en) Evaluating anomaly for one class classifiers in machine condition monitoring
CN116757534B (zh) 一种基于神经训练网络的智能冰箱可靠性分析方法
JPWO2019049688A1 (ja) 異常音検知装置、異常モデル学習装置、異常検知装置、異常音検知方法、異常音生成装置、異常データ生成装置、異常音生成方法、およびプログラム
CN113807570B (zh) 基于XGBoost的水库大坝风险等级评估方法及系统
CN112039903B (zh) 基于深度自编码神经网络模型的网络安全态势评估方法
CN115187832A (zh) 一种基于深度学习与格拉姆角场图像的能源系统故障诊断方法
CN116226646B (zh) 轴承健康状态及剩余寿命的预测方法、系统、设备及介质
CN108919059A (zh) 一种电网故障诊断方法、装置、设备及可读存储介质
CN114444620B (zh) 一种基于生成式对抗神经网络的示功图故障诊断方法
CN115204227A (zh) 基于深度学习的设备故障诊断中不确定性量化校准方法
Ou et al. A deep sequence multi-distribution adversarial model for bearing abnormal condition detection
CN114548199A (zh) 一种基于深度迁移网络的多传感器数据融合方法
CN114861349B (zh) 一种基于模型迁移和维纳过程的滚动轴承rul预测方法
CN111079348B (zh) 一种缓变信号检测方法和装置
CN115392782A (zh) 一种核电厂工艺系统健康状态监测和诊断方法及系统
CN113822336A (zh) 一种云硬盘故障预测方法、装置、系统及可读存储介质
CN117076869A (zh) 旋转机械时频域融合故障诊断方法及系统
CN117150399A (zh) 一种基于流判别模型的新型故障识别方法和装置
CN116384223A (zh) 基于退化状态智能辨识的核设备可靠性评估方法及系统
CN116204825A (zh) 一种基于数据驱动的生产线设备故障检测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191220