CN111563521A - 特定于场所的异常检测 - Google Patents

特定于场所的异常检测 Download PDF

Info

Publication number
CN111563521A
CN111563521A CN202010054630.2A CN202010054630A CN111563521A CN 111563521 A CN111563521 A CN 111563521A CN 202010054630 A CN202010054630 A CN 202010054630A CN 111563521 A CN111563521 A CN 111563521A
Authority
CN
China
Prior art keywords
usage data
facility usage
output
facility
models
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
Application number
CN202010054630.2A
Other languages
English (en)
Other versions
CN111563521B (zh
Inventor
V·德塞
R·苏布拉玛尼安
裘堃
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.)
Accenture Global Solutions Ltd
Original Assignee
Accenture Global Solutions Ltd
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 Accenture Global Solutions Ltd filed Critical Accenture Global Solutions Ltd
Publication of CN111563521A publication Critical patent/CN111563521A/zh
Application granted granted Critical
Publication of CN111563521B publication Critical patent/CN111563521B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G05B19/0426—Programming the control sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2642—Domotique, domestic, home control, automation, smart house
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Public Health (AREA)
  • Automation & Control Theory (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Alarm Systems (AREA)

Abstract

本公开的实施例涉及特定于场所的异常检测。设备可以接收针对跨多个位置的多个建筑物的设施使用数据。设备可以使用第一模型集来处理设施使用数据，第一模型集与执行以下中的至少一项相关联：针对设施使用数据的建筑物内异常检测、基于设施使用数据的特性的设施使用数据的第一分组、或基于多个位置的设施使用数据的第二分组。设备可以使用第二模型集来处理来自第一模型集的第一输出，该第二模型集关联于与标识第一分组中的或第二分组中的异常相关联地对第一输出进行预处理。设备可以使用与标识异常相关联的超级模型来处理第一输出和来自第二模型集的第二输出。设备可以基于分数来执行一个或多个动作。

Description

特定于场所的异常检测
技术领域
本公开总体上涉及检测领域，更特别地涉及特定于场所的异常检测。
背景技术
异常检测是对与正被分析的数据显著不同的稀有项目、事件或观察的标识。异常检测被用于入侵检测、故障检测、系统健康监测、事件检测等。
发明内容
根据一些实现，一种方法可以包括：由设备接收针对跨多个位置的多个建筑物的设施使用数据，其中设施使用数据标识由多个建筑物中的每个建筑物对一个或多个设施的设施使用；在接收到设施使用数据之后，由设备使用第一模型集来处理设施使用数据，其中第一模型集包括以下中的至少一项：与针对设施使用数据执行建筑物内异常检测有关的模型、与确定设施使用数据的基于数据的分组有关的模型、或与确定设施使用数据的基于位置的分组有关的模型；在处理设施使用数据之后，由设备并且使用第二模型集来处理来自第一模型集的第一输出，以从第二模型集获得第二输出；由设备并且使用超级模型来处理来自第一模型集的第一输出和来自第二模型集的第二输出，其中超级模型与标识与多个建筑物中的一个或多个建筑物的设施使用有关的异常相关联；以及在使用超级模型来处理第一输出和第二输出之后，由设备执行一个或多个动作。
根据一些实现，一种设备可以包括一个或多个存储器；以及通信地耦合到一个或多个存储器的一个或多个处理器，用以：接收针对跨多个位置的多个建筑物的设施使用数据，其中设施使用数据标识由多个建筑物中的每个建筑物对一个或多个设施的设施使用，其中设施使用数据从与多个建筑物相关联的相应设施仪表集被接收到；在接收到设施使用数据之后，使用第一模型集来处理设施使用数据，其中第一模型集包括以下中的至少两项：与针对设施使用数据执行建筑物内异常检测有关的模型、与确定设施使用数据的基于数据的分组有关的模型、或与确定设施使用数据的基于位置的分组有关的模型；在使用第一模型集来处理设施使用数据之后，使用第二模型集来处理来自第一模型集的第一输出，其中第二模型集与针对从第一模型集中标识的设施使用数据的各种分组来处理设施使用数据有关；使用超级模型来处理第一输出和来自第二模型集的第二输出，以标识设施使用数据中的可能异常；在处理第一输出和第二输出之后，执行对设施使用数据的分解，以标识一个或多个设施中导致可能异常的设施元件；以及在执行对设施使用数据的分解之后，执行一个或多个动作。
根据一些实现，一种存储指令的非瞬态计算机可读介质，该指令包括：一个或多个指令，一个或多个指令在由一个或多个处理器执行时，使一个或多个处理器：接收针对跨多个位置的多个建筑物的设施使用数据，其中设施使用数据标识由多个建筑物中的每个建筑物对一个或多个设施的设施使用；在接收到设施使用数据之后，使用第一模型集来处理设施使用数据，其中第一模型集与执行以下中的至少一项相关联：针对设施使用数据的建筑物内异常检测、基于设施使用数据的特性的设施使用数据的第一分组、或基于多个位置的设施使用数据的第二分组；在使用第一模型集来处理设施使用数据之后，使用第二模型集来处理来自第一模型集的第一输出，其中第二模型集关联于与标识第一分组中的或第二分组中的异常相关联地对第一输出进行预处理；在使用第二模型集来处理第一输出之后，使用超级模型来处理第一输出和来自第二模型集的第二输出，其中超级模型与在第一输出和第二输出的上下文中标识异常相关联，其中来自超级模型的第三输出包括分数，该分数标识设施使用数据中的一个或多个异常的存在；以及在使用超级模型来处理第一输出和第二输出之后，基于分数来执行一个或多个动作。
附图说明
图1A-图3D是本文描述的示例实现的图。
图4是其中可以实现本文描述的系统和/或方法的示例环境的图。
图5是图2的一个或多个设备的示例组件的图。
图6-图8是用于特定于场所的异常检测的示例过程的流程图。
具体实施方式
以下对示例实现的详细描述参考附图。不同附图中的相同参考标记可以标识相同或类似的元件。
跨不同位置的不同建筑物(或场所)可以以不同方式使用一个或多个设施。例如，不同的建筑物可以使用不同组合的设施(例如，电、煤气、水、电信服务等)，可以使用不同数量的相同设施(例如，由于位于不同的位置、具有不同的尺寸、与不同用途相关联等)等。结果，用于不同建筑物的相应设施仪表集可以收集与不同建筑物的设施使用有关的唯一模式的设施使用数据。由于设施使用数据中包括的大量数据元素(例如，每个设施仪表可以收集与设施使用有关的数千、数百万或更多的数据元素)、用于不同建筑物的唯一模式的设施使用数据(例如，每个建筑物可以使用唯一混合和/或数量的一个或多个设施)等，所以使用常规技术和/或计算资源来处理该设施使用数据以进行异常检测可能是困难的——如果不是不可能的话。例如，大量数据元素可能使常规计算资源过载和/或可能需要大量时间进行处理，从而导致常规计算资源在数据元素的处理期间崩溃和/或冻结。附加地或备选地，常规计算资源可能不能够准确地标识和/或处理唯一模式的设施使用数据。
本文描述的一些实现提供了一种异常检测平台，该异常检测平台能够从用于跨多个位置的多个建筑物的相应设施仪表集接收设施使用数据，并且使用各种模型来处理设施使用数据以检测关于在多个建筑物的、相同位置的建筑物的、与类似用途相关联的建筑物等的相应历史设施使用的上下文中的设施使用数据的异常。以这种方式，异常检测平台提供以下工具：该工具可以准确地确定用于多个建筑物的设施使用数据的相应唯一签名，并且可以标识设施使用数据中的可能异常的存在。相对于使用常规计算资源来处理设施使用数据，以这种方式使用异常检测平台来处理设施使用数据减少了处理设施使用数据所需的时间量。另外，以这种方式使用异常检测平台来处理设施使用数据提供了对设施使用数据中的可能异常的准确标识。此外，以这种方式使用异常检测平台节省了原本使用常规计算资源浪费而被浪费的计算资源(例如，由于常规计算资源的崩溃、冻结等而被浪费的计算资源)。此外，通过提供可以被用来以新的高效方式处理设施使用数据的工具，异常检测平台提供了用于异常检测的新工具。
此外，以这种方式，异常检测平台从异常检测中移除了人类主观性和浪费，并且可以提高用于异常检测的过程的速度和效率，并且节省了计算资源(例如，处理器资源、存储器资源等)。此外，本文所述的实现使用严格的计算机化的过程来执行先前未被执行的任务或角色，从而提供了用于分析设施使用数据的新工具。此外，用于检测设施使用数据中的异常的过程节省了设备的计算资源(例如，处理器资源、存储器资源等)，该计算资源原本会被浪费来尝试使用另一技术来处理设施使用数据以检测设施使用数据中的异常。
图1A-图1D是本文描述的一个或多个示例实现100的图。如图所示，(多个)示例实现100包括用于多个建筑物的相应设施仪表集和异常检测平台。
如参考标记105所示，与建筑物相关联的设施仪表集可以将设施使用数据发送给异常检测平台。例如，基于从异常检测平台接收到对设施使用数据的请求，设施仪表集可以根据调度周期性地实时或近实时地(例如，在设施使用数据被收集时)发送设施使用数据，等。在一些实现中，异常检测平台可以直接从设施仪表集接收设施使用数据。备选地，异常检测平台可以从服务器设备或另一设备接收设施使用数据，该服务器设备或另一设备对来自设施仪表集的设施使用数据进行监测、聚集、存储等。在一些实现中，设施仪表可以包括电仪表、煤气仪表、水仪表、污水仪表、电信仪表(例如，用于电信服务，诸如电话服务、互联网服务、移动数据服务等)等。在一些实现中，设施仪表可以监测设施的使用(例如，设施可以包括由建筑物正在计量和消耗的电、煤气、水、移动数据等)。在一些实现中，设施仪表可以包括一个或多个组件，诸如处理器、通信接口、天线等，设施仪表可以使用它们来将设施使用数据传送给异常检测平台(例如，经由有线或无线网络)。
在一些实现中，异常检测平台可以以各种形式接收设施使用数据。例如，异常检测平台可以接收设施使用数据——以来自相应设施仪表集的数据流的形式、图像(例如，来自客户端设备、服务器设备等的设施账单的图像等)、作为文本(例如，来自计费系统的设施账单的文本等)、作为来自在服务器设备和/或客户端设备上托管、执行等的应用的应用数据，作为对异常检测平台的输入(例如，经由与异常检测平台相关联的用户界面)、作为表格数据(例如，以电子表格文件、逗号分隔值(CSV)文件等的形式)等。
在一些实现中，设施使用数据可以包括数百万、数十亿或更多的数据元素。以这种方式，设施使用数据包括可能会使常规计算资源过载的数据集。在一些实现中，设施使用数据可以是时间序列数据，其显示一段时间量之内的设施使用。在一些实现中，设施使用数据可以标识与设施使用数据相关联的设施，在一段时间期间消耗的设施的量(或者自开始时间以来消耗的设施的累积量)，设施使用数据与之相关联的建筑物，建筑物的使用类型(例如，零售、住宅、制造、办公空间等)，多个建筑物的相应位置和/或相应设施仪表集中的设施仪表等。在一些实现中，异常检测平台可以接收示出历史设施使用的历史设施使用数据。例如，异常检测平台可以使用历史设施使用数据来训练本文其他地方描述的一个或多个模型。
在一些实现中，设施使用数据可以包括设施使用数据的各种子集。例如，设施使用数据的子集可以与特定建筑物、建筑物的特定楼层、特定设施等有关。在一些实现中，并且如本文其他地方所描述的，异常检测平台可以将设施使用数据分解成各个数据子集，以准确和精确地标识设施使用数据中的异常来源，诸如作为异常来源的特定建筑物、特定设施等。
在一些实现中，异常检测平台可以在基于设施使用数据中包括的唯一标识符(例如，唯一地标识与设施使用数据相关联的建筑物、与设施使用数据相关联的位置、与设施使用数据相关联的设施等的唯一标识符)接收到设施使用数据之后，组织设施使用数据。在一些实现中，唯一标识符可以作为数据的属性(例如，作为具有诸如名称、标识号等唯一值的字段)被包括在设施使用数据中，并且异常检测平台可以基于作为属性被包括在设施使用数据中的唯一标识符来组织设施使用数据。
附加地或备选地，异常检测平台可以处理设施使用数据以标识唯一标识符。例如，异常检测平台可以使用诸如计算机视觉技术、特征检测技术、光学字符识别(OCR)技术等的图像处理技术来处理图像，以标识图像中的字母数字字符串、符号、代码(例如，条形码、矩阵条形码等)(例如，其标识唯一标识符的存在，其是唯一标识符等)。继续先前的示例，异常检测平台可以将字母数字字符串、符号、代码等与被存储在异常检测平台的数据结构和/或存储器资源中的信息进行比较，以确定哪些唯一标识符被包括在图像中。
附加地或备选地，并且作为另一示例，异常检测平台可以使用诸如自然语言处理技术、文本分析技术等的文本处理技术来处理设施使用数据(例如，当异常检测平台从设施仪表以外的设备接收到设施使用数据时)。继续先前的示例，异常检测平台可以处理文本以标识包括在设施使用数据中的字母数字字符串、符号、代码等(例如，其指示唯一标识符的存在、其是唯一标识符等)，并且可以以与上述类似的方式来标识包括在文本中的唯一标识符。
附加地或备选地，并且作为另一示例，异常检测平台可以使用模型(例如，机器学习模型、人工智能模型等)来处理设施使用数据，以标识包括在设施使用数据中的唯一标识符。例如，异常检测平台可以使用模型来处理图像和/或文本以标识包括在设施使用数据中的字母数字字符串、符号、代码等，以标识可能包括唯一标识符的设施使用数据的区域(例如，图像和/或文本的区域)等(例如，基于已被训练以标识设施使用数据中的唯一标识符，设施使用数据中可能包括唯一标识符的可能区域等)。在一些实现中，模型和/或模型的训练可以与本文其他地方所描述的类似。
如参考标记110所示，异常检测平台可以使用第一模型集来处理设施使用数据。例如，基于接收到来自异常检测平台的用户的使用第一模型集来处理设施使用数据的输入、在所调度的时间处等，异常检测平台可以在接收到设施使用数据之后、使用第一模型集来处理设施使用数据。在一些实现中，异常检测平台可以使用类似于本文其他地方所描述的文本处理技术、图像处理技术等来处理从设施账单中所提取的数据。
在一些实现中，第一模型集可以包括一个或多个模型，该一个或多个模型与针对设施使用数据执行建筑物内异常检测有关，与确定设施使用数据的基于数据的分组有关，与基于建筑物类型(例如，办公楼、冷藏仓库、存储建筑物等)来确定设施使用数据的基于位置的分组有关等，如本文其他地方所述。在一些实现中，本文所述的模型可以包括机器学习模型、人工智能模型等，如本文其他地方所述。在一些实现中，异常检测平台可以通过将设施使用数据输入到第一模型集中，来使用第一模型集来处理设施使用数据。
在一些实现中，在处理设施使用数据之前，异常检测平台可以准备和/或预处理设施使用数据。例如，异常检测平台可以标识包括在设施使用数据中的关键字，诸如在设施使用数据中通用的、与特定建筑物、特定位置等有关的唯一标识符。附加地或备选地，异常检测平台可以从设施使用数据中包括的文本中移除前导和/或拖尾空格，可以从设施使用数据中移除非美国信息交换标准代码(non-ASCII)字符等。通过使设施使用数据更加统一，这促进了设施使用数据的快速和/或容易的处理，从而促进第一模型集的快速训练和/或促进由第一模型集进行的处理。
在一些实现中，异常检测平台可以通过训练机器学习模型集来生成第一模型集。例如，异常检测平台可以训练机器学习模型集以从设施使用数据(例如，历史设施使用数据)生成第一模型集。在一些实现中，异常检测平台可以在训练数据集上训练机器学习模型。例如，训练数据集可以包括历史设施使用数据、标识历史设施使用数据中的异常的信息等。附加地或备选地，当异常检测平台将设施使用数据输入到机器学习模型中时，异常检测平台可以输入设施使用数据的第一部分作为训练数据集，输入设施使用数据的第二部分作为验证数据集，输入设施使用数据的第三部分作为测试数据集(例如，要被用来确定第一模型集中包括的模型)。在一些实现中，异常检测平台可以取决于机器学习模型的测试结果来执行机器学习模型的训练的多次迭代(例如，通过提交设施使用数据的不同部分作为训练数据集、验证数据集和测试数据集)。
在一些实现中，当训练机器学习模型时，异常检测平台可以利用随机森林分类器技术来训练机器学习模型。例如，异常检测平台可以在训练期间利用随机森林分类器技术来构造多个决策树，并且可以输出设施使用数据的分类。附加地或备选地，当训练机器学习模型时，异常检测平台可以利用梯度提升树分类器技术来生成机器学习模型。例如，异常检测平台可以利用梯度提升树分类器技术，从弱预测模型集中生成预测模型(例如，通过以分阶段的方式生成机器学习模型，通过优化任意可微分损失函数等)。
在一些实现中，当训练机器学习模型时，异常检测平台可以利用逻辑回归来训练机器学习模型。例如，异常检测平台可以利用设施使用数据的二进制分类(例如，设施使用数据是否包括异常)来训练机器学习模型，以基于设施使用数据的分类来确定包括在第一模型集中的模型。附加地或备选地，当训练机器学习模型时，异常检测平台可以利用朴素的贝叶斯分类器来训练机器学习模型。例如，异常检测平台可以利用二进制递归分区来将设施使用数据划分为各种二进制类别(例如，从异常或非异常的设施使用数据二进制类别开始)。基于使用递归分区，相对于数据点的手动的线性排序和分析，异常检测平台可以减少计算资源的利用，从而支持使用数千、数百万或数十亿的数据点来训练机器学习模型，与使用较少的数据点相比，这可以得到更准确的机器学习模型。
附加地或备选地，当训练机器学习模型时，异常检测平台可以利用支持向量机(SVM)分类器。例如，异常检测平台可以利用线性模型来实现非线性类边界，诸如经由最大余量超平面。附加地或备选地，当利用SVM分类器时，异常检测平台可以利用二进制分类器来执行多类分类。SVM分类器的使用可以减少或消除过拟合，可以提高机器学习模型对噪声的鲁棒性等。
在一些实现中，异常检测平台可以使用监督训练过程来训练机器学习模型，该监督训练过程包括从主题专家接收对机器学习模型的输入。在一些实现中，异常检测平台可以使用一种或多种其他模型训练技术，诸如神经网络技术、潜在语义索引技术等。例如，异常检测平台可以执行人工神经网络处理技术(例如，使用两层前馈神经网络架构、三层前馈神经网络架构等)来执行关于设施使用数据的模式、包括异常的设施使用数据的模式等的模式识别。在这种情况下，使用人工神经网络处理技术可以通过对噪声、不精确或不完整的数据更具鲁棒性以及通过使异常检测平台能够检测到人类分析人员或系统使用不太复杂的技术不可检测的模式和/或趋势，来提高由异常检测平台生成的模型的准确度。
作为示例，异常检测平台可以使用监督的多标签分类技术来训练机器学习模型。例如，作为第一步，异常检测平台可以在对设施使用数据进行标记之后，将设施使用数据映射到先前生成的模型集。在这种情况下，设施使用数据可以被表征为已经被准确或不准确地确定为包括异常(例如，由技术人员确定，从而减少了相对于异常检测平台被要求分析针对每个建筑物、位置等的设施使用数据的处理)。作为第二步，异常检测平台可以确定分类器链，通过该分类器链，可以关联目标变量的标签。在这种情况下，异常检测平台可以使用第一标签的输出，作为第二标签的输入(以及一个或多个输入特征，其可以是其他设施使用数据)，并且可以确定设施使用数据包括异常和/或类似于其他设施使用数据的可能性。以这种方式，异常检测平台将来自多标签分类问题的分类变换为多个单分类问题，从而减少了处理利用。作为第三步，异常检测平台可以通过使用验证数据集来确定在执行分类时与标签的准确度有关的汉明(Hamming)损失度量(例如，设施使用数据是否包括异常以及通过其将加权应用于设施使用数据的准确度引起对包括异常等的正确预测，从而考虑不同建筑物、位置等之间的变化)。作为第四步，异常检测平台可以基于满足与汉明损失度量相关联的阈值准确度的标签来最终确定机器学习模型，并且可以使用该机器学习模型进行机器学习模型的后续确定。
在一些实现中，异常训练平台可以从另一设备接收包括在第一模型集中的模型，而不是训练机器学习模型来生成包括在第一模型集中的模型。例如，异常检测平台可以从服务器设备接收包括在第一模型集中的模型，该服务器设备先前已经以本文描述的方式训练了机器学习模型以生成包括在第一模型集中的模型。
如参考标记115所示，第一模型集可以包括内核密度估计(KDE)模型。例如，KDE模型可以使用内核参数和内核带宽参数来处理设施使用数据，以做出与设施使用数据是否包括异常有关的预测。在一些实现中，异常检测平台可以使用KDE模型来针对设施使用数据执行建筑物内异常检测(例如，通过对来自一段时间的针对建筑物的设施使用数据和针对该建筑物的历史设施使用数据进行比较)。在一些实现中，KDE模型可以输出设施使用数据的概率密度函数的估计。
如参考标记120-1和120-2所示，第一模型集可以包括与确定设施使用数据的基于数据的分组有关的模型集。例如，并且如参考标记120-1所示，第一模型集可以包括离散余弦变换(DCT)模型。继续先前的示例，异常检测平台可以使用DCT模型来处理以不同频率振荡的余弦函数之和表示的设施使用数据。在一些实现中，第一模型集可以包括离散傅立叶变换(DFT)模型而不是DCT模型；然而，相对于DFT模型，使用DCT模型可以提供设施使用数据在频域中的改善压缩。
附加地或备选地，并且如参考标记120-2所示，第一模型集可以包括k均值聚类模型。继续先前的示例，异常检测平台可以使用k均值聚类模型，其中设施使用数据被分区为具有最接近均值的聚类。在一些实现中，k均值聚类模型可以输出标识设施使用数据的分组的信息(例如，通过设施使用数据的值，通过设施使用数据的值的模式等)。
在一些实现中，异常检测平台可以使用DCT模型和k均值聚类模型的组合来处理设施使用数据。在一些实现中，并且在第一步中，异常检测平台可以使用DCT模型来处理设施使用数据，以生成设施使用数据的频谱。在一些实现中，并且在第二步中，异常检测平台可以对从DCT模型生成的频谱执行压缩。例如，异常检测平台可以通过保留频谱的最大频率方面的最高阈值百分比(例如，百分之五、百分之十五、百分之三十等)来压缩频谱，并且可以移除其余的频率方面。这从频谱中移除了噪声和/或较小的频率波动。在一些实现中，并且在第三步中，异常检测平台可以使用k均值聚类模型来处理压缩频谱。例如，异常检测平台可以使用与压缩频谱相关联的压缩DCT系数作为针对特定建筑物、位置、设施等的特征。继续先前的示例，异常检测平台可以基于压缩的DCT系数、使用k均值聚类模型对建筑物进行分组。
以这种方式，按照设施使用数据中的模式对设施使用数据进行分组，诸如按照天、周、月等。此外，通过比较设施使用数据的每个分组内的设施使用的近期模式，使用DCT模型和k均值聚类模型的组合有助于对指示设施使用数据中存在的异常的可能性的分数的计算(例如，组内的偏离模式可以被标识为异常)。此外，异常检测平台可以使用这些技术来将新建筑物与现有建筑物的组快速且高效地分组，这可以减少检测新建筑物的设施使用中的异常所需的时间量。此外，随着建筑物数量的增加，该技术提供提高的准确度，从而有助于将该技术扩展到数百、数千或更多的建筑物。
如参考标记125所示，第一模型集可以包括另一k均值聚类模型。例如，异常检测平台可以使用其他k均值聚类模型来确定设施使用数据的基于位置的分组。继续先前的示例，异常检测平台可以基于与设施使用数据相关联的多个建筑物的相应位置(例如，街道位置、城市、国家等)来确定设施使用数据的分组。在一些实现中，k均值聚类模型可以输出信息，该信息通过与设施使用数据相关联的建筑物的位置来标识设施使用数据的分组。
转向图1B，并且如参考标记130所示，异常检测平台可以使用第二模型集来处理来自第一模型集的输出。例如，在所调度的时间处、基于从异常检测平台的用户接收到处理来自第一模型集的输出的输入等，异常检测平台可以在使用第一模型集来处理设施使用数据之后，使用第二模型集来处理来自第一模型集的输出。类似于本文其他地方所描述的，在一些实现中，第二模型集可以包括机器学习模型、人工智能模型等。在一些实现中，第二模型集与执行建筑物间异常检测、以及标识从本文所述的基于数据的分组或基于位置的分组所确定的组中的对等方之中最异常的建筑物有关。
如参考标记135所示，第二模型集可以包括主成分分析(PCA)特征减少模型。例如，异常检测平台可以使用PCA特征减少模型来执行设施使用数据到较低维空间的线性映射，使得设施使用数据在低维表示中的方差被最大化。在一些实现中，PCA特征减少模型可以输出标识设施使用数据的线性映射的信息。
如参考标记140所示，第二模型集可以包括马氏(Mahalanobis)距离模型。例如，异常检测平台可以使用马氏距离模型来测量设施使用数据中的特定数据点与设施使用数据的分布之间的距离(例如，来广义化特定数据点与分布的均值之间的标准偏差量的测量)。在一些实现中，马氏距离模型可以输出标识设施使用数据中的特定数据点与设施使用数据的分布之间的距离的测量的信息。
如参考标记145所示，第二模型集可以包括卡方(chisquare)概率模型。例如，异常检测平台可以使用卡方概率模型来确定针对设施使用数据的卡方概率分数。在一些实现中，卡方概率模型可以输出针对与设施使用数据相关联的各种建筑物、各种位置、各种设施等的卡方概率分数。
转向图1C，并且如参考标记150所示，异常检测平台可以使用超级模型来处理来自第二模型集的第二输出和第一输出。例如，基于从异常检测平台的用户接收到使用超级模型来处理第一输出和第二输出的输入、在所调度的时间处等，异常检测平台可以在使用第二模型集来处理第一输出之后，处理第一输出和第二输出。
类似于本文中其他地方所描述的，在一些实现中，超级模型可以包括机器学习模型、人工智能模型等。例如，超级模型可以包括隔离森林模型。继续先前的示例，异常检测平台可以在超级模型的训练期间针对隔离森林模型构造多个决策树，并且隔离森林模型可以输出设施使用数据的分类(例如，设施使用数据是否包括异常的分类、设施使用数据中包括的异常的类型的分类等)。
如参考标记155所示，异常检测平台可以使用超级模型来处理第一输出和第二输出。例如，异常检测平台可以使用超级模型来处理来自KDE模型的第一输出、来自第二模型集的第二输出等。继续先前的示例，异常检测平台可以使用隔离森林的决策树来处理来自KDE模型的第一输出、来自第二模型集的第二输出等，以确定设施使用数据包括异常的可能性。仍然继续先前的示例，隔离森林可以处理第一输出，以基于针对与特定建筑物位于相同位置的其他建筑物的、针对以类似的方式使用的其他建筑物的(例如，当特定建筑物是办公建筑物时的其他办公建筑物，当特定建筑物是工厂时的其他工厂等)其他设施使用数据等，来确定针对该特定建筑物的设施使用数据是否包括异常。
在一些实现中，异常检测平台可以通过将第一输出和第二输出输入到超级模型中，来使用超级模型来处理第一输出和第二输出。例如，异常检测平台可以在输入(和处理)第二输出之前将第一输出输入到超级模型中(并且可以处理第一输出)，可以在输入(和处理)第一输出之前输入第二输出(并且可以处理第二输出)，可以同时输入第一输出和第二输出(并且可以同时处理第一输出和第二输出)等。
如参考标记160所示，超级模型可以输出分数。例如，超级模型可以基于处理第一输出和第二输出来输出分数。在一些实现中，分数可以标识设施使用数据(例如，针对特定建筑物的)包括异常、包括特定类型的异常等的可能性。在一些实现中，超级模型可以针对在第一输出和/或第二输出中标识的建筑物的不同分组、针对不同建筑物、针对不同位置而输出不同分数。附加地或备选地，超级模型可以输出针对不同建筑物、分组、位置等、针对设施使用数据的不同子集(例如，与设施使用数据相关联的不同设施)的分数。
在一些实现中，当分数满足阈值时，异常检测平台可以确定设施使用数据中存在可能的异常。例如，异常检测平台可以确定分数满足阈值，并且可以基于分数满足阈值来确定设施使用数据中存在可能的异常。在一些实现中，异常检测平台可以基于分数满足阈值的程度、基于分数满足多个阈值中的哪个阈值等来确定可能的异常的严重性。在一些实现中，异常检测平台可以基于分数的相对值来确定可能的异常相对于彼此的优先级。
在一些实现中，异常检测平台可以执行对设施使用数据的分解。例如，基于检测到设施使用数据中的可能异常、基于从异常检测平台的用户接收到执行对设施使用数据的分解的输入等，异常检测平台可以在使用超级模型来处理第一输出和第二输出之后，执行设施使用数据到设施使用数据的各个子集的分解。尽管异常检测平台被描述为在超级模型输出针对设施使用数据的分数之后执行分解，但是异常检测平台可以在不同时间执行分解。例如，异常检测平台可以在使用第一模型集来处理设施使用数据之前执行分解，并且可以使用第一模型集来处理经分解的设施使用数据。
在一些实现中，当执行分解时，异常检测平台可以使用短时傅立叶变换技术来处理设施使用数据。例如，异常检测平台可以使用短时傅立叶变换技术来处理设施使用数据，以在频域中形成设施使用数据的频谱图。在一些实现中，当执行分解时，异常检测平台可以使用非负矩阵因式分解(NMF)算法来处理设施使用数据的频谱图。例如，异常检测平台可以使用NMF算法来处理设施使用数据，以将频谱图分解为数据的不同子集(例如，其中不同子集与针对不同建筑物、位置、建筑物分组等的不同设施相关联)。在一些实现中，异常检测平台可以在使用短时傅立叶变换技术处理设施使用数据之后使用NMF算法。在一些实现中，异常检测平台可以使用逆短时傅立叶变换技术来处理数据的不同子集。例如，异常检测平台可以使用短时傅立叶逆变换技术来处理不同的子集，以在时域中重新构造数据的不同子集。在一些实现中，异常检测平台可以在使用NMF算法处理频谱图之后使用逆短时傅立叶变换技术。
在一些实现中，异常检测平台可以以与本文其他地方所描述的方式类似的方式，使用第一模型集、第二模型集等来处理数据的子集。以这种方式，通过将设施使用数据分解成数据的子集并处理数据的子集，异常检测平台可以标识可能异常的可能来源，诸如针对建筑物的特定设施使用(例如，设施元件)作为可能异常的来源，可以确认可能异常的存在等。这在标识设施使用数据中的可能异常和/或可能异常的可能来源方面提高了异常检测平台的准确度，这节省了原本会由于不太准确的标识、由于不准确地寻址可能异常的来源等而被浪费的处理资源。
转向图1D，并且如参考标记165所示，异常检测平台可以执行一个或多个动作。例如，基于从异常检测平台的用户接收到执行一个或多个动作的输入，异常检测平台可以在使用超级模型来处理设施使用数据之后，在执行分解之后，基于标识设施使用数据中的可能异常，基于标识可能异常的来源，来执行一个或多个动作等。
在一些实现中，当执行一个或多个动作时，异常检测平台可以向另一设备发送消息，该消息包括标识与可能异常相关联的设施元件(例如，针对其的对应数据子集包括可能的异常的设施)的信息。例如，异常检测平台可以将消息发送给客户端设备，以经由与客户端设备相关联的显示器进行显示。附加地或备选地，当执行一个或多个动作时，异常检测平台可以将与基于可能的异常来修改另一设备的操作有关的指令集发送给利用该设施的另一设备。例如，异常检测平台可以将指令集发送给客户端设备、服务器设备、家用设备(例如，洗衣机、干衣机、冰箱等)、暖气、通风设备和空调(HVAC)系统等。
附加地或备选地，当执行一个或多个动作时，异常检测平台可以标识与可能的异常相关联的设施(例如，在执行对设施使用数据的分解并且处理由分解输出的数据子集之后)。附加地或备选地，异常检测平台可以在标识与可能的异常相关联的设施之后，生成与解决可能异常有关的建议。例如，异常检测平台可能已被训练为基于训练数据集生成建议，该训练数据集包括各种历史异常以及为了解决历史异常而被执行的对应动作。继续先前的示例，异常检测平台可以在生成建议之后输出建议以供显示。
附加地或备选地，当执行一个或多个动作时，异常检测平台可以生成标识异常的来源的报告。例如，该报告可以标识与异常相关联的建筑物、位置、设施、建筑物组、特定设备等。附加地或备选地，当执行动作时，异常检测平台可以在生成报告之后输出报告以供显示。附加地或备选地，异常检测平台可以基于在报告中标识的异常的来源来执行一个或多个动作。例如，异常检测平台可以生成特定于异常来源的建议。参考标记170示出了来自异常检测平台的示例输出。例如，来自异常检测平台的输出可以标识异常、该异常的时间段等。
以这种方式，异常检测平台提供了以下工具：该工具可以处理来自多个建筑物的复杂的设施使用数据集，以标识与设施使用数据相关联的异常和/或执行与解决异常有关的动作。这节省了原本使用常规计算资源来处理设施使用数据会被浪费的处理资源。此外，经由对设施使用数据中的异常的快速且高效的标识、以及经由对与解决异常有关的一个或多个动作的执行，使用异常检测平台以这种方式来处理设施使用数据减少或移除了设施的浪费使用。此外，相对于使用常规计算资源，使用异常检测平台以这种方式来处理设施使用数据提供了对设施使用数据的更准确和/或更彻底的分析。
如上文所指示的，图1A-图1D仅作为一个或多个示例而被提供。其他示例可以与关于图1A-图1D描述的示例不同。虽然在处理来自各种设施仪表的设施使用数据的上下文中描述了图1A-图1D，但是这些实现同样适用于在其他上下文中处理来自其他类型的设备和/或传感器的其他数据，诸如来自振动传感器的振动数据、来自温度传感器的温度数据、来自车载诊断系统的车辆运行数据等。
图2是本文描述的示例实现200的图。如图2中所示，实现200包括异常检测平台。如参考标记210所示，异常检测平台可以以与本文其他地方所描述的方式类似的方式接收设施使用数据。如参考标记210进一步所示，设施使用数据可以包括具有不同模式的值的多个数据集(例如，数百、数千或更多数据集)。以这种方式，异常检测平台可以接收常规计算资源不能容易或高效地处理的复杂数据集。
如参考标记220所示，异常检测平台可以使用第一模型集来处理设施使用数据。例如，第一模型集可以类似于本文其他地方描述的。继续先前的示例，第一模型集可以包括建筑物内异常模型集(例如，由参考标记230示出的KDE模型)。附加地或备选地，第一模型集可以包括基于数据的分组模型集(例如，由参考标记240示出的DCT模型、k均值聚类模型等)。附加地或备选地，第一模型集可以包括基于位置的分组模型集(例如，由参考标记250所示的基于位置的k均值聚类模型)。
如参考标记260所示，异常检测平台可以包括建筑物间异常模型集作为第二模型集。例如，与本文其他地方所描述的那些类似，该建筑物间异常模型集可以包括PCA特征减少模型、马氏距离模型、卡方概率分数模型等。如参考标记270所示，异常检测平台可以包括与本文其他地方所描述的超级模型类似的超级模型，以处理来自第一模型集的第一输出和/或来自第二模型集的第二输出。如参考标记280所示，超级模型可以输出异常分数，该异常分数指示在设施使用数据中存在异常的可能性。附加地或备选地，并且如参考标记290所示，超级模型可以输出标识异常、异常的时间段等的信息。
如上文所指示的，图2仅作为示例而被提供。其他示例可以与关于图2所描述的不同。
图3A-图3D是本文描述的一个或多个示例实现300的图。图3A-图3D示出了以与本文其他地方所描述的方式类似的方式执行对设施使用数据的分解的一个或多个示例。
如图3A中所示，参考标记310示出了异常检测平台可以从设施仪表集接收的设施使用数据。在一些实现中，设施使用数据可以与不同的设施元件有关，诸如不同的设施仪表、不同的设施、不同的建筑物、不同的位置等。以这种方式，设施使用数据可以包括复杂的数据集，对于常规计算资源，在不被过载的情况下可能难以处理或不可能处理该复杂的数据集。
转向图3B，并且如参考标记320所示，异常检测平台可以使用短时傅立叶变换技术来确定设施使用数据的频谱图。例如，异常检测平台可以确定针对设施使用数据中包括的使用时间序列的相应频谱图。在一些实现中，异常检测平台可以确定频谱图以从设施使用数据中提取数据的时变频率子集。
转向图3C，异常检测平台可以使用非负矩阵因式分解(NMF)算法来处理频谱图。例如，异常检测平台可以使用NMF算法将频谱图分解为多个不同子集。备选地，异常检测平台可以使用独立成分分析(ICA)算法或另一盲源分离(BSS)算法而不是NMF算法。在一些实现中，并且如参考标记330所示，异常检测平台可以使用NMF将频谱图分解成频率字典矩阵。附加地或备选地，并且如参考标记340所示，异常检测平台可以使用NMF将频谱图分解成时变权重矩阵。
转向图3D，异常检测平台可以在使用NMF算法处理频谱图之后，使用逆短时傅立叶逆变换技术来处理数据的不同子集，以在时域中重新构造数据的不同子集。例如，并且如参考标记350至370所示，异常检测平台可以针对不同建筑物、不同设施、不同位置等来重新构造数据的各种不同子集。在一些实现中，异常检测平台可以以与本文其他地方描述的方式类似的方式来处理不同的子集，以标识数据中的可能异常。
在一些实现中，执行对设施使用数据的分解有助于解决当设施使用数据包括数据的各种子集时、在设施使用数据中可能存在的盲源分离问题。例如，当盲源分离问题包括分解设施使用数据的无限量的方式(例如，通过将设施使用数据分解为不同的子集，以提供对模式、异常等的见解和理解)时，以这种方式执行对设施使用数据的分解提供了解决盲源分离问题的方式。
以这种方式，通过执行分解，异常检测平台可以分析用于不同建筑物的数据的独立子集，可以执行对与包括异常的阈值可能性相关联的设施使用数据的更严格的分析等。另外，分解有助于对使用数据的模式(例如，在建筑物组之间)的分析、对设施使用数据中的异常的来源的标识等。此外，可以将来自不同仪表的设施使用数据进行关联，从而改善对设施使用数据的分析，从而减少或移除一个或多个设施的浪费等。
如上文所指示的，图3A-图3D仅作为一个或多个示例而被提供。其他示例可以与关于图3A-图3D描述的示例不同。
图4是其中可以实现本文描述的系统和/或方法的示例环境400的图。如图4中所示，环境400可以包括客户端设备410、服务器设备420、托管在包括计算资源集434的云计算环境432内的异常检测平台430、设施仪表440和网络450。环境400的设备可以经由有线连接、无线连接或有线和无线连接的组合进行互连。
客户端设备410包括能够接收、生成、存储、处理和/或提供设施使用数据的一个或多个设备。例如，客户端设备410可以包括移动电话(例如，智能电话、无线电电话等)、膝上型计算机、平板计算机、手持计算机、游戏设备、可穿戴通信设备(例如，智能腕表、智能眼镜等)、台式计算机或类似类型的设备。如本文其他地方所述，在一些实现中，客户端设备410可以从异常检测平台430接收由异常检测平台430执行的对设施使用数据的分析的结果。在一些实现中，如本文其他地方所述，用户设备可以与客户端设备410相同或类似。
服务器设备420包括能够接收、生成、存储、处理和/或提供设施使用数据的一个或多个设备。例如，服务器设备420可以包括服务器(例如，在数据中心或云计算环境中)、数据中心(例如，多服务器微数据中心)、工作站计算机、云计算环境中提供的虚拟机(VM)或类似类型的设备。在一些实现中，服务器设备420可以包括允许服务器设备420从环境400中的其他设备接收信息和/或向环境400中的其他设备传送信息的通信接口。在一些实现中，服务器设备420可以是在壳体内实现的物理设备，诸如机架。在一些实现中，服务器设备420可以是由云计算环境或数据中心的一个或多个计算机设备实现的虚拟设备。如本文其他地方所述，在一些实现中，服务器设备420可以向异常检测平台430提供设施使用数据(或历史设施使用数据)。
异常检测平台430包括能够接收、生成、存储、处理和/或提供设施使用数据的一个或多个设备。例如，异常检测平台430可以包括云服务器或云服务器组。在一些实现中，异常检测平台430可以被设计为是模块化的，使得可以取决于特定需要来交换入或交换出某些软件组件。这样，可以容易地和/或快速地将异常检测平台430重新配置用于不同的用途。
在一些实现中，如图4中所示，异常检测平台430可以被托管在云计算环境432中。注意，尽管本文描述的实现将异常检测平台430描述为被托管在云计算环境432中，但是在一些实现中，异常检测平台430可以是非基于云的(即，可以被实现在云计算环境外部)或可以是部分基于云的。
云计算环境432包括托管异常检测平台430的环境。云计算环境432可以提供不需要终端用户了解托管异常检测平台430的系统和/或设备的物理位置和配置的计算、软件、数据访问、存储和/或其他服务。如图所示，云计算环境432可以包括计算资源组434(统称为“计算资源434”，并且单独地被称为“计算资源434”)。
计算资源434包括一个或多个个人计算机、工作站计算机、服务器设备或另一类型的计算和/或通信设备。在一些实现中，计算资源434可以托管异常检测平台430。云资源可以包括在计算资源434中执行的计算实例、在计算资源434中提供的存储设备、由计算资源434提供的数据传递设备等。在一些实现中，计算资源434可以经由有线连接、无线连接或有线和无线连接的组合来与其他计算资源434通信。
如图4中进一步所示，计算资源434可以包括云资源组，诸如一个或多个应用(“APP”)434-1、一个或多个虚拟机(“VM”)434-2、一个或多个虚拟化存储装置(“VS”)434-3、或一个或多个管理程序(“HYP”)434-4。
应用434-1包括可以被提供给环境400的一个或多个设备或由其访问的一个或多个软件应用。应用434-1可以移除在环境400的设备上安装和执行软件应用的需要。例如，应用434-1可以包括与异常检测平台430相关联的软件和/或能够经由云计算环境432被提供的任何其他软件。在一些实现中，一个应用434-1可以经由虚拟机434-2向/从一个或多个其他应用434-1发送/接收信息。在一些实现中，应用434-1可以包括与一个或多个数据库和/或操作系统相关联的软件应用。例如，应用434-1可以包括企业应用、功能应用、分析应用等。
虚拟机434-2包括像物理机一样执行程序的机器(例如，计算机)的软件实现。虚拟机434-2可以是系统虚拟机或过程虚拟机，这取决于虚拟机434-2与任何真实机器的使用和对应关系的程度。系统虚拟机可以提供支持完整操作系统(OS)的执行的完整系统平台。过程虚拟机可以执行单个程序，并且可以支持单个过程。在一些实现中，虚拟机434-2可以代表用户(例如，客户端设备410的用户)执行，并且可以管理云计算环境432的基础设施，诸如数据管理、同步或长期数据传递。
虚拟化存储装置434-3包括在计算资源434的存储系统或设备内使用虚拟化技术的一个或多个存储系统和/或一个或多个设备。在一些实现中，在存储系统的上下文中，虚拟化的类型可以包括块虚拟化和文件虚拟化。块虚拟化可以是指来自物理存储的虚拟存储的抽象(或分离)，使得可以在不考虑物理存储或异构结构的情况下访问存储系统。分离可以允许存储系统的管理员在管理员如何为最终用户管理存储方面具有灵活性。文件虚拟化可以移除在文件级别访问的数据与物理地存储文件的位置之间的依赖性。这可以支持存储使用的优化、服务器合并和/或非破坏性的文件迁移的执行。
管理程序434-4提供了硬件虚拟化技术，其允许多个操作系统(例如“客户操作系统”)在诸如计算资源434之类的主机计算机上同时执行。管理程序434-4可以向客户操作系统呈现虚拟操作平台，并且可以管理客户操作系统的执行。各种操作系统的多个实例可以共享虚拟化硬件资源。
设施仪表440包括能够接收、生成、存储、处理和/或提供设施使用数据的一个或多个设备。例如，设施仪表440可以包括电仪表、煤气仪表、水仪表、污水仪表、电信仪表、智能设施仪表等。如本文其他地方所述，在一些实现中，设施仪表440可以测量针对建筑物、针对建筑物的特定楼层、针对建筑物组等的设施的设施使用，并且可以存储标识设施使用的设施使用数据。如本文其他地方所述，在一些实现中，设施仪表440可以向异常检测平台430提供设施使用数据以进行处理。
网络450包括一个或多个有线和/或无线网络。例如，网络450可以包括蜂窝网络(例如，长期演进(LTE)网络、码分多址(CDMA)网络、3G网络、4G网络、5G网络、另一类型的下一代网络等)、公共陆地移动网络(PLMN)、局域网(LAN)、广域网(WAN)、城域网(MAN)、电话网(例如公共交换电话网(PSTN))、专用网、自组织网、内联网、互联网、基于光纤的网络、云计算网络等，和/或这些或其他类型网络的组合。
图4中所示的设备和网络的数目和布置作为一个或多个示例而被提供。在实践中，可以存在比图4中所示的那些更多的设备和/或网络、更少的设备和/或网络、不同的设备和/或网络、或者被不同地布置的设备和/或网络。此外，可以在单个设备内实现图4中所示的两个或更多个设备，或者可以将图4中所示的单个设备实现为多个分布式设备。附加地或备选地，环境400的设备集(例如，一个或多个设备)可以执行被描述为由环境400的另一设备集执行的一个或多个功能。
图5是设备500的示例组件的图。设备500可以对应于客户端设备410、服务器设备420、异常检测平台430、计算资源434和/或设施仪表440。在一些实现中，客户端设备410、服务器设备420、异常检测平台430、计算资源434和/或设施仪表440可以包括一个或多个设备500和/或设备500的一个或多个组件。如图5中所示，设备500可以包括总线510、处理器520、存储器530、存储组件540、输入组件550、输出组件560和通信接口570。
总线510包括允许设备500的多个组件之间的通信的组件。处理器520以硬件、固件和/或硬件和软件的组合来实现。处理器520是中央处理单元(CPU)、图形处理单元(GPU)、加速处理单元(APU)、微处理器、微控制器、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、专用集成电路(ASIC)或其他类型的处理组件。在一些实现中，处理器520包括能够被编程以执行功能的一个或多个处理器。存储器530包括随机存取存储器(RAM)、只读存储器(ROM)和/或存储信息和/或指令以供处理器520使用的另一类型的动态或静态存储设备(例如闪存、磁存储器和/或光存储器)。
存储组件540存储与设备500的操作和使用有关的信息和/或软件。例如，存储组件540可以包括硬盘(例如磁盘、光盘和/或磁光盘)、固态驱动器(SSD)、压缩盘(CD)、数字多功能光盘(DVD)、软盘、盒带、磁带和/或其他类型的非瞬态计算机可读介质以及对应的驱动。
输入组件550包括允许设备500诸如经由用户输入(例如触摸屏显示器、键盘、小键盘、鼠标、按钮、开关和/或麦克风)接收信息的组件。附加地或备选地，输入组件550可以包括用于确定位置的组件(例如，全球定位系统(GPS)组件)和/或传感器(例如，加速度计、陀螺仪、致动器、另一类型的位置或环境传感器等)。输出组件560包括提供来自设备500的输出信息的组件(例如经由显示器、扬声器、触觉反馈组件、音频或视觉指示器等)。
通信接口570包括类收发器组件(例如，收发器、分离的接收器、分离的发射器等)，其使得设备500能够诸如经由有线连接、无线连接、或有线和无线连接的组合来与其他设备通信。通信接口570可以允许设备500从另一设备接收信息和/或向另一设备提供信息。例如，通信接口570可以包括以太网接口、光接口、同轴接口、红外接口、无线电频率(RF)接口、通用串行总线(USB)接口、Wi-Fi接口、蜂窝网络接口等。
设备500可以执行本文所述的一个或多个过程。设备500可以基于处理器520执行由诸如存储器530和/或存储组件540之类的非瞬态计算机可读介质所存储的软件指令来执行这些过程。如本文所使用的，术语“计算机可读介质”是指非瞬态存储器设备。存储器设备包括单个物理存储设备内的存储器空间或跨多个物理存储设备分布的存储器空间。
可以经由通信接口570从另一计算机可读介质或从另一设备将软件指令读取到存储器530和/或存储组件540中。当被执行时，存储在存储器530和/或存储组件540中的软件指令可以使处理器520执行本文描述的一个或多个过程。附加地或备选地，可以使用硬件电路装置来代替软件指令或与软件指令结合来执行本文所述的一个或多个过程。因此，本文描述的实现不限于硬件电路装置和软件的任何特定组合。
图5中所示的组件的数目和布置作为示例而被提供。在实践中，设备500可以包括比图5所示的那些更多的组件、更少的组件、不同的组件或被不同地布置的组件。附加地或备选地，设备500的组件集(例如，一个或多个组件)可以执行被描述为由设备500的另一组件集所执行的一个或多个功能。
图6是用于特定于场所的异常检测的示例过程600的流程图。在一些实现中，图6的一个或多个处理块可以由异常检测平台(例如，异常检测平台430)执行。在一些实现中，图6的一个或多个处理块可以由与异常检测平台分离或包括异常检测平台的另一设备或设备组来执行，诸如客户端设备(例如，客户端设备410)、服务器设备(例如，服务器设备420)、计算资源(例如，计算资源434)和/或设施仪表(例如，设施仪表440)。
如图6中所示，过程600可以包括接收针对跨多个位置的多个建筑物的设施使用数据，其中设施使用数据标识由多个建筑物中的每个建筑物对一个或多个设施的设施使用(块610)。例如，如上所述，异常检测平台(例如，使用计算资源434、处理器520、存储器530、存储组件540、输入组件550、通信接口570等)可以接收针对跨多个位置的多个建筑物的设施使用数据。在一些实现中，设施使用数据标识由多个建筑物中的每个建筑物对一个或多个设施的设施使用。
如图6中进一步所示，过程600可以包括在接收到设施使用数据之后使用第一模型集来处理设施使用数据，其中第一模型集包括以下中的至少一项：与针对设施使用数据执行建筑物内异常检测有关的模型、与确定设施使用数据的基于数据的分组有关的模型、或与确定设施使用数据的基于位置的分组有关的模型(块620)。例如，如上所述，异常检测平台(例如，使用计算资源434、处理器520等)可以在接收到设施使用数据之后使用第一模型集来处理设施使用数据。在一些实现中，第一模型集包括以下中的至少一项：与针对设施使用数据执行建筑物内异常检测有关的模型、与确定设施使用数据的基于数据的分组有关的模型、或与确定设施使用数据的基于位置的分组有关的模型。
如图6中进一步所示，过程600可以包括在处理设施使用数据之后使用第二模型集来处理来自第一模型集的第一输出，以从第二模型集获得第二输出(块630)。例如，如上所述，异常检测平台(例如，使用计算资源434、处理器520等)可以在处理设施使用数据之后使用第二模型集来处理来自第一模型集的第一输出，以从第二模型集获得第二输出。
如图6中进一步所示，过程600可以包括使用超级模型来处理来自第一模型集的第一输出和来自第二模型集的第二输出，其中超级模型与标识与多个建筑物中的一个或多个建筑物的设施使用有关的异常相关联(块640)。例如，如上所述，异常检测平台(例如，使用计算资源434、处理器520等)可以使用超级模型来处理来自第一模型集的第一输出和来自第二模型集的第二输出。在一些实现中，超级模型与标识与多个建筑物中的一个或多个建筑物的设施使用有关的异常相关联。
如图6中进一步所示，过程600可以包括在使用超级模型来处理第一输出和第二输出之后执行一个或多个动作(块650)。例如，如上所述，异常检测平台(例如，使用计算资源434、处理器520、存储器530、存储组件540、输出组件560、通信接口570等)可以在使用超级模型来处理第一输出和第二个输出之后执行一个或多个动作。
过程600可以包括附加的实现，诸如以下描述的和/或结合本文其他地方描述的一个或多个其他过程的任何单个实现或多个实现的任何组合。
在一些实现中，异常检测平台可以从与多个建筑物相关联的相应设施仪表集接收设施使用数据。在一些实现中，与针对设施使用数据执行建筑物内异常检测有关的模型包括内核密度估计(KDE)模型；其中与确定设施使用数据的基于数据的分组有关的模型包括以下中的至少一项：离散余弦变换(DCT)模型或k均值聚类模型；并且其中与确定设施使用数据的基于位置的分组有关的模型包括另一k均值聚类模型。
在一些实现中，第二模型集包括以下中的至少一项：主成分分析(PCA)特征减少模型、马氏距离模型或卡方概率模型。在一些实现中，超级模型包括隔离森林模型。
在一些实现中，异常检测平台可以在处理第一输出和第二输出之后执行对设施使用数据的分解，以标识一个或多个设施中的导致在设施使用数据中检测到的可能异常的设施元件。在一些实现中，异常检测平台可以向另一设备发送消息，该消息包括标识导致可能异常的设施元件的信息。
尽管图6示出了过程600的示例块，但是在一些实现中，过程600可以包括比图6中所描绘的那些更多的块、更少的块、不同的块或被不同地布置的块。附加地或备选地，可以并行执行过程600的两个或更多个块。
图7是用于特定于场所的异常检测的示例过程700的流程图。在一些实现中，图7的一个或多个处理块可以由异常检测平台(例如，异常检测平台430)执行。在一些实现中，图7的一个或多个处理块可以由与异常检测平台分离或包括异常检测平台的另一设备或设备组来执行，诸如客户端设备(例如，客户端设备410)、服务器设备(例如，服务器设备420)、计算资源(例如，计算资源434)和/或设施仪表(例如，设施仪表440)。
如图7中所示，过程700可以包括接收针对跨多个位置的多个建筑物的设施使用数据，其中设施使用数据标识由多个建筑物中的每个建筑物对一个或多个设施的设施使用，其中从与多个建筑物相关联的相应设施仪表集接收设施使用数据(块710)。例如，如上所述，异常检测平台(例如，使用计算资源434、处理器520、存储器530、存储组件540、输入组件550、通信接口570等)可以接收针对跨多个位置的多个建筑物的设施使用数据。在一些实现中，设施使用数据标识由多个建筑物中的每个建筑物对一个或多个设施的设施使用。在一些实现中，从与多个建筑物相关联的相应设施仪表集接收设施使用数据。
如图7中进一步所示，过程700可以包括在接收到设施使用数据之后使用第一模型集来处理设施使用数据，其中第一模型集包括以下中的至少两项：与针对设施使用数据执行建筑物内异常检测有关的模型、与确定设施使用数据的基于数据的分组有关的模型、或与确定设施使用数据的基于位置的分组有关的模型(块720)。例如，如上所述，异常检测平台(例如，使用计算资源434、处理器520等)可以在接收到设施使用数据之后使用第一模型集来处理设施使用数据。在一些实现中，第一模型集包括以下中的至少两项：与针对设施使用数据执行建筑物内异常检测有关的模型、与确定设施使用数据的基于数据的分组有关的模型、或与确定设施使用数据的基于位置的分组有关的模型。
如图7中进一步所示，过程700可以包括在使用第一模型集来处理设施使用数据之后，使用第二模型集来处理来自第一模型集的第一输出，其中第二模型集与处理针对从第一模型集中标识的设施使用数据的各种分组的设施使用数据相关联(块730)。例如，如上所述，异常检测平台(例如，使用计算资源434、处理器520等)可以在使用第一模型集来处理设施使用数据之后，使用第二模型集来处理来自第一模型集的第一输出。在一些实现中，第二模型集与处理针对从第一模型集中标识的设施使用数据的各种分组的设施使用数据相关联。
如图7中进一步所示，过程700可以包括使用超级模型来处理来自第二模型集的第二输出和第一输出，以标识设施使用数据中的可能异常(块740)。例如，如上所述，异常检测平台(例如，使用计算资源434、处理器520等)可以使用超级模型来处理来自第二模型集的第二输出和第一输出，以标识设施使用数据中的可能异常。
如图7中进一步所示，过程700可以包括在处理第一输出和第二输出之后，执行对设施使用数据的分解，以标识一个或多个设施中导致可能异常的设施元件(块750)。例如，如上所述，异常检测平台(例如，使用计算资源434、处理器520等)可以在处理第一输出和第二输出之后，执行对设施使用数据的分解，以标识一个或多个设施中导致可能异常的设施元件。
如图7中进一步所示，过程700可以包括在执行对设施使用数据的分解之后执行一个或多个动作(块760)。例如，如上所述，异常检测平台(例如，使用计算资源434、处理器520、存储器530、存储组件540、输出组件560、通信接口570等)可以在执行对设施使用数据的分解之后执行一个或多个动作。
过程700可以包括附加的实现，诸如以下描述的和/或结合本文其他地方描述的一个或多个其他过程的任何单个实现或多个实现的任何组合。
在一些实现中，相应设施仪表集中的设施仪表包括以下中的至少一项：电仪表、煤气仪表、水仪表、污水仪表或电信仪表。在一些实现中，异常检测平台可以在用超级模型来处理第一输出和第二输出之后，确定由超级模型输出的分数满足阈值，并且可以基于确定分数满足阈值来确定设施使用数据中存在可能的异常。
在一些实现中，异常检测平台可以在确定设施使用数据中存在可能的异常之后确定分解。在一些实现中，异常检测平台可以使用短时傅立叶变换技术来处理设施使用数据，以在频域中形成设施使用数据的频谱图；可以在使用短时傅立叶变换技术来处理设施使用数据之后，使用非负矩阵因式分解(NMF)算法来处理设施使用数据的频谱图，以将频谱图分解为数据的不同子集；以及可以在使用NMF算法处理频谱图之后，使用逆短时傅立叶变换技术来处理数据的不同子集，以在时域中重新构造数据的不同子集。
在一些实现中，异常检测平台可以将与基于可能的异常来修改另一设备的操作有关的指令集发送给利用该设施元件的另一设备。在一些实现中，异常检测平台可以在执行分解之后标识导致可能异常的设施元件；可以在标识设施元件之后生成与解决可能异常有关的建议；以及可以在生成建议之后输出建议以供显示。
尽管图7示出了过程700的示例块，但是在一些实现中，过程700可以包括比图7中所描绘的那些更多的块、更少的块、不同的块或被不同地布置的块。附加地或备选地，可以并行执行过程700的两个或更多个块。
图8是用于特定于场所的异常检测的示例过程800的流程图。在一些实现中，图8的一个或多个处理块可以由异常检测平台(例如，异常检测平台430)执行。在一些实现中，图8的一个或多个处理块可以由与异常检测平台分离或包括异常检测平台的另一设备或设备组来执行，诸如客户端设备(例如，客户端设备410)、服务器设备(例如，服务器设备420)、计算资源(例如，计算资源434)和/或设施仪表(例如，设施仪表440)。
如图8中所示，过程800可以包括接收针对跨多个位置的多个建筑物的设施使用数据，其中设施使用数据标识由多个建筑物中的每个建筑物对一个或多个设施的设施使用(块810)。例如，如上所述，异常检测平台(例如，使用计算资源434、处理器520、存储器530、存储组件540、输入组件550、通信接口570等)可以接收针对跨多个位置的多个建筑物的设施使用数据。在一些实现中，设施使用数据标识由多个建筑物中的每个建筑物对一个或多个设施的设施使用。
如图8中进一步所示，过程800可以包括在接收到设施使用数据之后使用第一模型集来处理设施使用数据，其中第一模型集与执行以下中的至少一项相关联：针对设施使用数据的建筑物内异常检测、基于设施使用数据的特性的对设施使用数据的第一分组、或基于多个位置的对设施使用数据的第二分组(块820)。例如，如上所述，异常检测平台(例如，使用计算资源434、处理器520等)可以在接收到设施使用数据之后使用第一模型集来处理设施使用数据。在一些实现中，第一模型集与执行以下中的至少一项相关联：针对设施使用数据的建筑物内异常检测、基于设施使用数据的特性的对设施使用数据的第一分组、或基于多个位置的对设施使用数据的第二分组。
如图8中进一步所示，过程800可以包括在使用第一模型集来处理设施使用数据之后，使用第二模型集来处理来自第一模型集的第一输出，其中第二模型集与和标识第一分组或第二分组中的异常相关联地对第一输出进行预处理相关联(块830)。例如，如上所述，异常检测平台(例如，使用计算资源434、处理器520等)可以在使用第一模型集来处理设施使用数据之后，使用第二模型集来处理来自第一模型集的第一输出。在一些实现中，第二模型集与和标识第一分组或第二分组中的异常相关联地对第一输出进行预处理相关联。
如图8中进一步所示，过程800可以包括在使用第二模型集来处理第一输出之后，使用超级模型来处理来自第二模型集的第二输出和第一输出，其中超级模型与在第一输出和第二输出的上下文中标识异常相关联，其中来自超级模型的第三输出包括分数，该分数标识设施使用数据中的一个或多个异常的存在(块840)。例如，如上所述，异常检测平台(例如，使用计算资源434、处理器520等)可以在使用第二模型集来处理第一输出之后，使用超级模型来处理来自第二模型集的第二输出和第一输出。在一些实现中，超级模型与在第一输出和第二输出的上下文中标识异常相关联，其中来自超级模型的第三输出包括分数，该分数基于分数是否满足阈值来标识设施使用数据中的一个或多个异常的存在或不存在。
如图8中进一步所示，过程800可以包括在使用超级模型来处理第一输出和第二输出之后，基于分数执行一个或多个动作(块850)。例如，如上所述，异常检测平台(例如，使用计算资源434、处理器520、存储器530、存储组件540、输出组件560、通信接口570等)可以在使用超级模型来处理第一输出和第二输出之后，基于分数执行一个或多个动作。
过程800可以包括附加的实现，诸如以下描述的和/或结合本文其他地方描述的一个或多个其他过程的任何单个实现或多个实现的任何组合。
在一些实现中，异常检测平台可以在处理第一输出和第二输出之后，基于分数满足阈值来检测一个或多个异常的存在；以及可以在检测到一个或多个异常的存在之后执行一个或多个动作。在一些实现中，异常检测平台可以在处理第一输出和第二输出之后，执行对设施使用数据的分解，以标识一个或多个设施中导致一个或多个异常的设施元件。
在一些实现中，异常检测平台可以处理设施使用数据以在频域中形成设施使用数据的频谱图；可以在处理设施使用数据以形成频谱图之后，处理设施使用数据的频谱图以将频谱图分解为数据的不同子集；以及可以在处理频谱图之后，处理数据的不同子集以在时域中重新构造数据的不同子集。在一些实现中，异常检测平台可以在处理第一输出和第二输出之后并且基于第三输出，来生成标识一个或多个异常的来源的报告；以及可以在生成报告之后输出报告以供显示。在一些实现中，异常检测平台可以基于报告中标识的一个或多个异常的来源来执行一个或多个动作。
尽管图8示出了过程800的示例块，但是在一些实现中，过程800可以包括比图8中所描绘的那些更多的块、更少的块、不同的块或被不同地布置的块。附加地或备选地，可以并行执行过程800的两个或更多个块。
以下是实施例的示例。
1.一种方法，包括：由设备接收针对跨多个位置的多个建筑物的设施使用数据，其中设施使用数据标识由多个建筑物中的每个建筑物对一个或多个设施的设施使用；在接收到设施使用数据之后，由设备使用第一模型集来处理设施使用数据，其中第一模型集包括以下中的至少一项：与针对设施使用数据执行建筑物内异常检测有关的模型，与确定设施使用数据的基于数据的分组有关的模型，或与确定设施使用数据的基于位置的分组有关的模型；在处理设施使用数据之后，由设备并且使用第二模型集来处理来自第一模型集的第一输出，以从第二模型集获得第二输出；由设备并且使用超级模型来处理来自第一模型集的第一输出和来自第二模型集的第二输出，其中超级模型与标识与多个建筑物中的一个或多个建筑物的设施使用有关的异常相关联；以及在使用超级模型来处理第一输出和第二输出之后，由设备执行一个或多个动作。
2.根据示例1的方法，其中接收设施使用数据包括：从与多个建筑物相关联的相应设施仪表集，接收设施使用数据。
3.根据示例1的方法，其中与针对设施使用数据执行建筑物内异常检测有关的模型包括内核密度估计(KDE)模型；其中与确定设施使用数据的基于数据的分组有关的模型包括以下中的至少一项：离散余弦变换(DCT)模型，或k均值聚类模型；并且其中与确定设施使用数据的基于位置的分组有关的模型包括另一k均值聚类模型。
4.根据示例1的方法，其中第二模型集包括以下中的至少一项：主成分分析(PCA)特征减少模型，马氏距离模型，或卡方概率模型。
5.根据示例1的方法，其中超级模型包括隔离森林模型。
6.根据示例1的方法，还包括：在处理第一输出和第二输出之后，执行对设施使用数据的分解，以标识一个或多个设施中导致在设施使用数据中被检测到的可能异常的设施元件。
7.根据示例6的方法，其中执行一个或多个动作包括：向另一设备发送消息，该消息包括标识导致可能异常的设施元件的信息。
8.一种设备，包括：一个或多个存储器；以及一个或多个处理器，该一个或多个处理器通信地耦合到一个或多个存储器，用以：接收针对跨多个位置的多个建筑物的设施使用数据，其中设施使用数据标识由多个建筑物中的每个建筑物对一个或多个设施的设施使用，其中设施使用数据从与多个建筑物相关联的相应设施仪表集被接收到；在接收到设施使用数据之后，使用第一模型集来处理设施使用数据，其中第一模型集包括以下中的至少两项：与针对设施使用数据执行建筑物内异常检测有关的模型，与确定设施使用数据的基于数据的分组有关的模型，或与确定设施使用数据的基于位置的分组有关的模型；在使用第一模型集来处理设施使用数据之后，使用第二模型集来处理来自第一模型集的第一输出，其中第二模型集与针对从第一模型集中标识的设施使用数据的各种分组来处理设施使用数据相关联；使用超级模型来处理第一输出和来自第二模型集的第二输出，以标识设施使用数据中的可能异常；在处理第一输出和第二输出之后，执行对设施使用数据的分解，以标识一个或多个设施中导致可能异常的设施元件；以及在执行对设施使用数据的分解之后，执行一个或多个动作。
9.根据示例8的设备，其中相应设施仪表集中的设施仪表包括以下中的至少一项：电仪表，煤气仪表，水仪表，污水仪表，或电信仪表。
10.根据示例8的设备，其中一个或多个处理器还用以：在用超级模型来处理第一输出和第二输出之后，确定由超级模型输出的分数满足阈值；以及基于确定分数满足阈值，确定可能异常存在于设施使用数据中。
11.根据示例10的设备，其中一个或多个处理器在执行分解时用以：在确定可能异常存在于设施使用数据中之后，确定分解。
12.根据示例8的设备，其中一个或多个处理器在执行分解时用以：使用短时傅立叶变换技术来处理设施使用数据，以在频域中形成设施使用数据的频谱图；在使用短时傅立叶变换技术来处理设施使用数据之后，使用非负矩阵因式分解(NMF)算法来处理设施使用数据的频谱图，以将频谱图分解为数据的不同子集；以及在使用NMF算法来处理频谱图之后，使用逆短时傅立叶变换技术来处理数据的不同子集，以在时域中重新构造数据的不同子集。
13.根据示例8的设备，其中一个或多个处理器在执行一个或多个动作时用以：向利用设施元件的另一设备发送指令集，该指令集与基于可能异常来修改另一设备的操作有关。
14.根据示例8的设备，其中一个或多个处理器在执行一个或多个动作时用以：在执行分解之后，标识导致可能异常的设施元件；在标识设施元件之后，生成与解决可能异常有关的建议；以及在生成建议之后，输出建议以供显示。
15.一种存储指令的非瞬态计算机可读介质，该指令包括：一个或多个指令，该一个或多个指令在由一个或多个处理器执行时，使一个或多个处理器：接收针对跨多个位置的多个建筑物的设施使用数据，其中设施使用数据标识由多个建筑物中的每个建筑物对一个或多个设施的设施使用；在接收到设施使用数据之后，使用第一模型集来处理设施使用数据，其中第一模型集与执行以下中的至少一项相关联：针对设施使用数据的建筑物内异常检测，基于设施使用数据的特性的设施使用数据的第一分组，或基于多个位置的设施使用数据的第二分组；在使用第一模型集来处理设施使用数据之后，使用第二模型集来处理来自第一模型集的第一输出，其中第二模型集关联于与标识第一分组中的或第二分组中的异常相关联地对第一输出进行预处理；在使用第二模型集来处理第一输出之后，使用超级模型来处理第一输出和来自第二模型集的第二输出，其中超级模型与在第一输出和第二输出的上下文中标识异常相关联，其中来自超级模型的第三输出包括分数，该分数基于分数是否满足阈值来标识设施使用数据中的异常中的一个或多个异常的存在或不存在；以及在使用超级模型来处理第一输出和第二输出之后，基于分数来执行一个或多个动作。
16.根据示例15的非瞬态计算机可读介质，其中一个或多个指令在由一个或多个处理器执行时，还使一个或多个处理器：在处理第一输出和第二输出之后，基于分数满足阈值来检测异常中的一个或多个异常的存在；并且其中使一个或多个处理器执行一个或多个动作的一个或多个指令使一个或多个处理器：在检测到异常中的一个或多个异常的存在之后，执行一个或多个动作。
17.根据示例15的非瞬态计算机可读介质，其中一个或多个指令在由一个或多个处理器执行时，还使一个或多个处理器：在处理第一输出和第二输出之后，执行对设施使用数据的分解，以标识一个或多个设施中导致异常中的一个或多个异常的设施元件。
18.根据示例17的非瞬态计算机可读介质，其中使一个或多个处理器执行分解的一个或多个指令使一个或多个处理器：处理设施使用数据，以在频域中形成设施使用数据的频谱图；在处理设施使用数据以形成频谱图之后，处理设施使用数据的频谱图，以将频谱图分解为数据的不同子集；以及在处理频谱图之后，处理数据的不同子集，以在时域中重新构造数据的不同子集。
19.根据示例15的非瞬态计算机可读介质，其中一个或多个指令在由一个或多个处理器执行时，还使一个或多个处理器：在处理第一输出和第二输出之后并且基于第三输出生成报告，该报告标识异常中的一个或多个异常的来源；以及在生成报告之后，输出报告以供显示。
20.根据示例19的非瞬态计算机可读介质，其中使一个或多个处理器执行一个或多个动作的一个或多个指令使一个或多个处理器：基于报告中标识的异常中的一个或多个异常的来源，执行一个或多个动作。
前述公开内容提供了说明和描述，但并不旨在穷尽或将实现限制为所公开的精确形式。可以鉴于以上公开内容进行修改和变化，或者可以从实现的实践中获得修改和变化。
如本文中所使用的，术语“组件”旨在被广义地解释为硬件、固件和/或硬件和软件的组合。
本文结合阈值描述了一些实现。如本文所使用的，取决于上下文，满足阈值可以是指大于阈值、多于阈值、高于阈值、大于或等于阈值、小于阈值、少于阈值、低于阈值、小于或等于阈值、等于阈值等。
显然，本文所述的系统和/或方法可以以硬件、固件和/或硬件和软件的组合的不同形式来实现。被用来实现这些系统和/或方法的实际的专用控制硬件或软件代码并不限制实现。因此，本文中不参考特定软件代码来描述系统和/或方法的操作和行为——应当理解，基于本文的描述，软件和硬件可以被用来实现系统和/或方法。
即使特征的特定组合在权利要求中被记载和/或在说明书中被公开，这些组合也不旨在限制各种实现的公开。实际上，这些特征中的许多特征可以以未在权利要求书中具体记载和/或未在说明书中公开的方式进行组合。尽管下面列出的每个从属权利要求可能仅直接从属于一个权利要求，但是各种实现的公开包括与权利要求集中的每个其他权利要求相结合的每个从属权利要求。
除非明确地如此描述，否则本文中使用的元素、动作或指令均不应被解释为是关键或必要的。另外，如本文所使用的，冠词“一”和“一个”旨在包括一个或多个项目，并且可以与“一个或多个”互换使用。此外，如本文所使用的，术语“集”旨在包括一个或多个项目(例如，相关项目、不相关项目、相关和不相关项目的组合等)，并且可以与“一个或多个”互换使用。在仅旨在一个项目的情况下，使用短语“仅一个”或类似的语言。同样，如本文所使用的，术语“具有”、“含有”、“拥有”等旨在是开放式术语。此外，除非另有明确说明，否则短语“基于”旨在意味着“至少部分地基于”。

Claims (20)

1.一种方法，包括：
由设备接收针对跨多个位置的多个建筑物的设施使用数据，
其中所述设施使用数据标识由所述多个建筑物中的每个建筑物对一个或多个设施的设施使用；在接收到所述设施使用数据之后，由所述设备使用第一模型集来处理所述设施使用数据，
其中所述第一模型集包括以下中的至少一项：
与针对所述设施使用数据执行建筑物内异常检测有关的模型，
与确定所述设施使用数据的基于数据的分组有关的模型，或
与确定所述设施使用数据的基于位置的分组有关的模型；
在处理所述设施使用数据之后，由所述设备并且使用第二模型集来处理来自所述第一模型集的第一输出，以从所述第二模型集获得第二输出；
由所述设备并且使用超级模型来处理来自所述第一模型集的所述第一输出和来自所述第二模型集的所述第二输出，
其中所述超级模型与标识与所述多个建筑物中的一个或多个建筑物的所述设施使用有关的异常相关联；以及
在使用所述超级模型来处理所述第一输出和所述第二输出之后，由所述设备执行一个或多个动作。
2.根据权利要求1所述的方法，其中接收所述设施使用数据包括：
从与所述多个建筑物相关联的相应设施仪表集，接收所述设施使用数据。
3.根据权利要求1所述的方法，其中与针对所述设施使用数据执行所述建筑物内异常检测有关的所述模型包括内核密度估计(KDE)模型；
其中与确定所述设施使用数据的所述基于数据的分组有关的所述模型包括以下中的至少一项：
离散余弦变换(DCT)模型，或
k均值聚类模型；以及
其中与确定所述设施使用数据的所述基于位置的分组有关的所述模型包括另一k均值聚类模型。
4.根据权利要求1所述的方法，其中所述第二模型集包括以下中的至少一项：
主成分分析(PCA)特征减少模型，
马氏距离模型，或
卡方概率模型。
5.根据权利要求1所述的方法，其中所述超级模型包括隔离森林模型。
6.根据权利要求1所述的方法，还包括：
在处理所述第一输出和所述第二输出之后，执行对所述设施使用数据的分解，以标识所述一个或多个设施中导致在所述设施使用数据中被检测到的可能异常的设施元件。
7.根据权利要求6所述的方法，其中执行所述一个或多个动作包括：
向另一设备发送消息，所述消息包括标识导致所述可能异常的所述设施元件的信息。
8.一种设备，包括：
一个或多个存储器；以及
一个或多个处理器，所述一个或多个处理器通信地被耦合到所述一个或多个存储器，用以：
接收针对跨多个位置的多个建筑物的设施使用数据，
其中所述设施使用数据标识由所述多个建筑物中的每个建筑物对一个或多个设施的设施使用，
其中所述设施使用数据从与所述多个建筑物相关联的相应设施仪表集被接收到；
在接收到所述设施使用数据之后，使用第一模型集来处理所述设施使用数据，
其中所述第一模型集包括以下中的至少两项：
与针对所述设施使用数据执行建筑物内异常检测有关的模型，
与确定所述设施使用数据的基于数据的分组有关的模型，或
与确定所述设施使用数据的基于位置的分组有关的模型；
在使用所述第一模型集来处理所述设施使用数据之后，使用第二模型集来处理来自所述第一模型集的第一输出，
其中所述第二模型集与针对从所述第一模型集中标识的所述设施使用数据的各种分组来处理所述设施使用数据相关联；
使用超级模型来处理所述第一输出和来自所述第二模型集的第二输出，以标识所述设施使用数据中的可能异常；
在处理所述第一输出和所述第二输出之后，执行对所述设施使用数据的分解，以标识所述一个或多个设施中导致所述可能异常的设施元件；以及
在执行对所述设施使用数据的所述分解之后，执行一个或多个动作。
9.根据权利要求8所述的设备，其中所述相应设施仪表集中的设施仪表包括以下中的至少一项：
电仪表，
煤气仪表，
水仪表，
污水仪表，或
电信仪表。
10.根据权利要求8所述的设备，其中所述一个或多个处理器还用以：
在用所述超级模型来处理所述第一输出和所述第二输出之后，确定由所述超级模型输出的分数满足阈值；以及
基于确定所述分数满足所述阈值，确定所述可能异常存在于所述设施使用数据中。
11.根据权利要求10所述的设备，其中所述一个或多个处理器在执行所述分解时用以：
在确定所述可能异常存在于所述设施使用数据中之后，确定所述分解。
12.根据权利要求8所述的设备，其中所述一个或多个处理器在执行所述分解时用以：
使用短时傅立叶变换技术来处理所述设施使用数据，以在频域中形成所述设施使用数据的频谱图；
在使用所述短时傅立叶变换技术来处理所述设施使用数据之后，使用非负矩阵因式分解(NMF)算法来处理所述设施使用数据的所述频谱图，以将所述频谱图分解为数据的不同子集；以及
在使用所述NMF算法来处理所述频谱图之后，使用逆短时傅立叶变换技术来处理数据的所述不同子集，以在时域中重新构造数据的所述不同子集。
13.根据权利要求8所述的设备，其中所述一个或多个处理器在执行所述一个或多个动作时用以：
向利用所述设施元件的另一设备发送指令集，所述指令集与基于所述可能异常来修改所述另一设备的操作有关。
14.根据权利要求8所述的设备，其中所述一个或多个处理器在执行所述一个或多个动作时用以：
在执行所述分解之后，标识导致所述可能异常的所述设施元件；
在标识所述设施元件之后，生成与解决所述可能异常有关的建议；以及
在生成所述建议之后，输出所述建议以供显示。
15.一种存储指令的非瞬态计算机可读介质，所述指令包括：
一个或多个指令，所述一个或多个指令在由一个或多个处理器执行时，使所述一个或多个处理器：
接收针对跨多个位置的多个建筑物的设施使用数据，
其中所述设施使用数据标识由所述多个建筑物中的每个建筑物对一个或多个设施的设施使用；
在接收到所述设施使用数据之后，使用第一模型集来处理所述设施使用数据，
其中所述第一模型集与执行以下中的至少一项相关联：
针对所述设施使用数据的建筑物内异常检测，
基于所述设施使用数据的特性的所述设施使用数据的第一分组，或
基于所述多个位置的所述设施使用数据的第二分组；
在使用所述第一模型集来处理所述设施使用数据之后，使用第二模型集来处理来自所述第一模型集的第一输出，
其中所述第二模型集关联于与标识所述第一分组中的或所述第二分组中的异常相关联地对所述第一输出进行预处理；
在使用所述第二模型集来处理所述第一输出之后，使用超级模型来处理所述第一输出和来自所述第二模型集的第二输出，
其中所述超级模型与在所述第一输出和所述第二输出的上下文中标识所述异常相关联，
其中来自所述超级模型的第三输出包括分数，所述分数基于所述分数是否满足阈值来标识所述设施使用数据中的所述异常中的一个或多个异常的存在或不存在；以及
在使用所述超级模型来处理所述第一输出和所述第二输出之后，基于所述分数来执行一个或多个动作。
16.根据权利要求15所述的非瞬态计算机可读介质，其中所述一个或多个指令在由所述一个或多个处理器执行时，还使所述一个或多个处理器：
在处理所述第一输出和所述第二输出之后，基于所述分数满足所述阈值来检测所述异常中的所述一个或多个异常的所述存在；并且
其中使所述一个或多个处理器执行所述一个或多个动作的所述一个或多个指令使所述一个或多个处理器：
在检测到所述异常中的所述一个或多个异常的所述存在之后，执行所述一个或多个动作。
17.根据权利要求15所述的非瞬态计算机可读介质，其中所述一个或多个指令在由所述一个或多个处理器执行时，还使所述一个或多个处理器：
在处理所述第一输出和所述第二输出之后，执行对所述设施使用数据的分解，以标识所述一个或多个设施中导致所述异常中的所述一个或多个异常的设施元件。
18.根据权利要求17所述的非瞬态计算机可读介质，其中使所述一个或多个处理器执行所述分解的所述一个或多个指令使所述一个或多个处理器：
处理所述设施使用数据，以在频域中形成所述设施使用数据的频谱图；
在处理所述设施使用数据以形成所述频谱图之后，处理所述设施使用数据的所述频谱图，以将所述频谱图分解为数据的不同子集；以及
在处理所述频谱图之后，处理数据的所述不同子集，以在时域中重新构造数据的所述不同子集。
19.根据权利要求15所述的非瞬态计算机可读介质，其中所述一个或多个指令在由所述一个或多个处理器执行时，还使所述一个或多个处理器：
在处理所述第一输出和所述第二输出之后并且基于所述第三输出生成报告，所述报告标识所述异常中的所述一个或多个异常的来源；以及
在生成所述报告之后，输出所述报告以供显示。
20.根据权利要求19所述的非瞬态计算机可读介质，其中使所述一个或多个处理器执行所述一个或多个动作的所述一个或多个指令使所述一个或多个处理器：
基于所述报告中所标识的所述异常中的所述一个或多个异常的所述来源，执行所述一个或多个动作。
CN202010054630.2A 2019-02-14 2020-01-17 特定于场所的异常检测 Active CN111563521B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/276,198 US20200265119A1 (en) 2019-02-14 2019-02-14 Site-specific anomaly detection
US16/276,198 2019-02-14

Publications (2)

Publication Number Publication Date
CN111563521A true CN111563521A (zh) 2020-08-21
CN111563521B CN111563521B (zh) 2023-10-17

Family

ID=72043433

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010054630.2A Active CN111563521B (zh) 2019-02-14 2020-01-17 特定于场所的异常检测

Country Status (2)

Country Link
US (1) US20200265119A1 (zh)
CN (1) CN111563521B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113776834A (zh) * 2021-10-11 2021-12-10 山东大学 基于离散余弦循环谱相干的滚动轴承故障诊断方法及系统

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11562315B2 (en) 2018-08-31 2023-01-24 Accenture Global Solutions Limited Detecting an issue related to a report
US20210376853A1 (en) * 2018-11-02 2021-12-02 Indian Institute Of Technology Delhi Multivariate data compression system and method thereof
US20200382524A1 (en) * 2019-05-28 2020-12-03 Brownie Technologies Ltd. System and method for a secure network
US11194691B2 (en) * 2019-05-31 2021-12-07 Gurucul Solutions, Llc Anomaly detection using deep learning models
US11271958B2 (en) * 2019-09-20 2022-03-08 International Business Machines Corporation Efficient unsupervised anomaly detection on homomorphically encrypted data
US11398990B1 (en) * 2019-09-27 2022-07-26 Amazon Technologies, Inc. Detecting and diagnosing anomalies in utilization levels of network-based resources
US11687805B2 (en) * 2019-10-31 2023-06-27 Shoreline Iot, Inc. Systems and methods for self-learning artificial intelligence of things (AIOT) devices and services
US11461648B2 (en) * 2020-03-04 2022-10-04 International Business Machines Corporation Standardizing disparate data points
US11681969B2 (en) * 2020-07-06 2023-06-20 Sap Se Benchmarking decision making units using data envelopment analysis
CN113724117A (zh) * 2020-12-28 2021-11-30 京东城市(北京)数字科技有限公司 用于房屋异常使用识别的模型训练方法和装置
US20230047781A1 (en) * 2021-08-13 2023-02-16 Oracle International Corporation Computing environment scaling
WO2023105510A1 (en) * 2021-12-06 2023-06-15 Ben David Shimon Alert method and systems analyzing household behavior
EP4336281A1 (en) * 2022-09-12 2024-03-13 Robert Bosch GmbH Method for validating or verifying a technical system
JP2024535149A (ja) * 2022-09-13 2024-09-30 エーエーシー アコースティック テクノロジーズ （シャンハイ） カンパニー リミテッド 触覚フィードバック信号の生成方法、電子機器及び記憶媒体

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292350A (zh) * 2017-08-04 2017-10-24 电子科技大学 大规模数据的异常检测方法
CN107409064A (zh) * 2015-10-23 2017-11-28 Nec欧洲有限公司 用于支持网络中不规则检测的方法和系统
CN107430715A (zh) * 2015-03-11 2017-12-01 西门子工业公司 建筑物自动化中的级联识别
EP3276554A1 (en) * 2016-07-27 2018-01-31 Accenture Global Solutions Limited Providing predictive alerts for workplace safety
US20180113899A1 (en) * 2016-10-20 2018-04-26 Linkedin Corporation Online fraud detection system in an electronic content exchange
CN108353034A (zh) * 2016-01-11 2018-07-31 环球互连及数据中心公司 用于数据中心基础设施监测的架构
US20180299495A1 (en) * 2017-04-13 2018-10-18 Oracle International Corporation Novel non-parametric statistical behavioral identification ecosystem for electricity fraud detection
CN109242041A (zh) * 2018-09-28 2019-01-18 南方电网科学研究院有限责任公司 一种电能表异常数据检测方法、装置、设备及存储介质
CN109242263A (zh) * 2018-08-14 2019-01-18 河南城建学院 一种装配式建筑bim模块管理系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140278165A1 (en) * 2013-03-14 2014-09-18 Johnson Controls Technology Company Systems and methods for analyzing energy consumption model data
AU2014210579B2 (en) * 2014-07-09 2019-10-10 Baylor College Of Medicine Providing information to a user through somatosensory feedback
US9668066B1 (en) * 2015-04-03 2017-05-30 Cedar Audio Ltd. Blind source separation systems
GB201613225D0 (en) * 2016-08-01 2016-09-14 Univ Liverpool John Moores Analysing energy usage
US20190369570A1 (en) * 2018-05-30 2019-12-05 Mitsubishi Electric Us, Inc. System and method for automatically detecting anomalies in a power-usage data set

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107430715A (zh) * 2015-03-11 2017-12-01 西门子工业公司 建筑物自动化中的级联识别
CN107409064A (zh) * 2015-10-23 2017-11-28 Nec欧洲有限公司 用于支持网络中不规则检测的方法和系统
CN108353034A (zh) * 2016-01-11 2018-07-31 环球互连及数据中心公司 用于数据中心基础设施监测的架构
EP3276554A1 (en) * 2016-07-27 2018-01-31 Accenture Global Solutions Limited Providing predictive alerts for workplace safety
US20180113899A1 (en) * 2016-10-20 2018-04-26 Linkedin Corporation Online fraud detection system in an electronic content exchange
US20180299495A1 (en) * 2017-04-13 2018-10-18 Oracle International Corporation Novel non-parametric statistical behavioral identification ecosystem for electricity fraud detection
CN107292350A (zh) * 2017-08-04 2017-10-24 电子科技大学 大规模数据的异常检测方法
CN109242263A (zh) * 2018-08-14 2019-01-18 河南城建学院 一种装配式建筑bim模块管理系统
CN109242041A (zh) * 2018-09-28 2019-01-18 南方电网科学研究院有限责任公司 一种电能表异常数据检测方法、装置、设备及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
FROOGH FATHNIA等: "Detection of anomalies in smart meter data: A density-based approach", 《2017 SMART GRID CONFERENCE (SGC)》, pages 1 - 6 *
JUI-SHENG CHOU等: "Real-time detection of anomalous power consumption", 《RENEWABLE AND SUSTAINABLE ENERGY REVIEWS》, vol. 33, pages 400 - 411, XP093064237, DOI: 10.1016/j.rser.2014.01.088 *
刘岩等: "基于机器学习决策树的计量设备异常分析", 《自动化与仪器仪表》, vol. 5, no. 4, pages 171 - 174 *
曹敏: "公共建筑能耗监测系统的设计与实现", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 07, pages 138 - 398 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113776834A (zh) * 2021-10-11 2021-12-10 山东大学 基于离散余弦循环谱相干的滚动轴承故障诊断方法及系统
CN113776834B (zh) * 2021-10-11 2022-09-02 山东大学 基于离散余弦循环谱相干的滚动轴承故障诊断方法及系统

Also Published As

Publication number Publication date
US20200265119A1 (en) 2020-08-20
CN111563521B (zh) 2023-10-17

Similar Documents

Publication Publication Date Title
CN111563521B (zh) 特定于场所的异常检测
US11966820B2 (en) Utilizing machine learning models with a centralized repository of log data to predict events and generate alerts and recommendations
US11687396B2 (en) Determining server error types
US11087245B2 (en) Predictive issue detection
CN106992994B (zh) 一种云服务的自动化监控方法和系统
EP3619649A1 (en) Analyzing sequence data using neural networks
US11860721B2 (en) Utilizing automatic labelling, prioritizing, and root cause analysis machine learning models and dependency graphs to determine recommendations for software products
US20170315855A1 (en) Method of detecting anomalies on appliances and system thereof
Guan et al. Proactive failure management by integrated unsupervised and semi-supervised learning for dependable cloud systems
JP2018045403A (ja) 異常検知システム及び異常検知方法
CN103988175A (zh) 识别用于响应云计算系统中的异常的动作的方法和系统
JP6714152B2 (ja) 分析装置、分析方法及び分析プログラム
Fu et al. A hybrid anomaly detection framework in cloud computing using one-class and two-class support vector machines
US11550707B2 (en) Systems and methods for generating and executing a test case plan for a software product
CN111090807A (zh) 一种基于知识图谱的用户识别方法及装置
AU2020257140A1 (en) Detecting correlation among sets of time series data
US20230205516A1 (en) Software change analysis and automated remediation
US11960904B2 (en) Utilizing machine learning models to predict system events based on time series data generated by a system
CN114386734A (zh) 使用人工智能和机器学习用于技术分析的企业管理系统
US20220405611A1 (en) Systems and methods for validating forecasting machine learning models
US11025658B2 (en) Generating summaries of messages associated with assets in an enterprise system
CN114297385A (zh) 模型训练方法、文本分类方法、系统、设备及介质
US11991037B2 (en) Systems and methods for reducing a quantity of false positives associated with rule-based alarms
EP4300364A1 (en) High dimensional dense tensor representation for log data
CN113687849B (zh) 一种固件批量升级方法、装置、设备及存储介质

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
GR01 Patent grant
GR01 Patent grant