CN111782709B - 异常数据确定方法和装置 - Google Patents
异常数据确定方法和装置 Download PDFInfo
- Publication number
- CN111782709B CN111782709B CN202010615279.XA CN202010615279A CN111782709B CN 111782709 B CN111782709 B CN 111782709B CN 202010615279 A CN202010615279 A CN 202010615279A CN 111782709 B CN111782709 B CN 111782709B
- Authority
- CN
- China
- Prior art keywords
- time point
- feature
- time
- data
- model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 45
- 238000000605 extraction Methods 0.000 claims description 47
- 238000011084 recovery Methods 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000000306 recurrent effect Effects 0.000 claims description 13
- 230000002123 temporal effect Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003491 array Methods 0.000 abstract description 33
- 238000012545 processing Methods 0.000 abstract description 29
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 85
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013450 outlier detection Methods 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Complex Calculations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了异常数据确定方法和装置，涉及深度学习技术、大数据、云计算领域，具体实现方案为：获取每个时间点的第一空间数组；将所有时间点的第一空间数组输入到数据处理模型，生成每个时间点的第一空间数组对应的每个时间点的第二空间数组，其中，数据处理模型用于表征基于每个时间点的第一空间数组中空间数据的空间相关性、所有时间点的第一空间数组中空间数据的时间序列关系和所有时间点中不同时间点的第一空间数组中空间数据的关联性对每个时间点的第一空间数组中的空间数据进行筛选；根据每个时间点的第一空间数组与相应时间点的第二空间数组的对比结果，确定每个时间点的第一空间数组对应的异常数据。该方案实现了准确、快速地检测异常数据。
Description
技术领域
本申请的实施例涉及计算机技术领域，具体涉及深度学习、大数据、云计算技术领域，尤其涉及异常数据确定方法和装置。
背景技术
随着物联网设备、卫星定位系统GPS设备、智能手机的普及，时间序列数组与空间位置数据越来越常见，并且和人们的生活越来越相关。但是因为设备故障、通讯错误、设备精度等问题，真实的空间数据往往包含着许多异常值。这些异常值对于后续的应用(例如统计分析、分类、模型预测等)有着严重的影响。
现有的异常值检测主要单独针对时间序列数组或者其他无空间限制的数据。对于时间序列数组的异常值检测，主流方法是对时间序列数组提取滑动窗，将一个窗口的数据认为是无空间限制数据，然后使用传统方法进行异常值检测。对于无空间限制数据，一般通过统计并计算数据分布的方式进行异常值检测。
发明内容
本申请提供了一种异常数据确定方法、装置、设备以及存储介质。
根据本申请的第一方面，提供了一种异常数据确定方法，该方法包括：获取每个时间点的第一空间数组，其中，第一空间数组为用于表征同一时间点不同空间位置的多维空间数据的集合；将所有时间点的第一空间数组输入到数据处理模型，生成每个时间点的第一空间数组对应的每个时间点的第二空间数组，其中，数据处理模型用于表征基于每个时间点的第一空间数组中空间数据的空间相关性、所有时间点的第一空间数组中空间数据的时间序列关系和所有时间点中不同时间点的第一空间数组中空间数据的关联性对每个时间点的第一空间数组中的空间数据进行筛选；根据每个时间点的第一空间数组与相应时间点的第二空间数组的对比结果，确定每个时间点的第一空间数组对应的异常数据。
在一些实施例中，将所有时间点的第一空间数组输入到数据处理模型，生成每个时间点的第一空间数组对应的每个时间点的第二空间数组，包括：将每个时间点的第一空间数组输入到空间特征提取子模型，生成每个时间点的第一空间数组对应的每个时间点的第一特征数据集，其中，空间特征提取子模型用于表征基于每个时间点的第一空间数组中空间数据的空间相关性对相应时间点的第一空间数组中的空间数据进行特征提取；将所有时间点的第一特征数据集输入到时间特征确定子模型，生成每个时间点的第一特征数据集对应的每个时间点的第二特征数据集，其中，时间特征确定子模型用于表征基于所有时间点的第一特征数据集中特征数据的时间序列关系对每个时间点的第一特征数据集中的特征数据进行筛选；将所有时间点的第一特征数据集输入到注意力特征确定子模型，生成每个时间点的第一特征数据集对应的每个时间点的注意力特征值，其中，注意力特征确定子模型用于表征基于每个时间点的第一特征数据集与所有时间点中其他时间点的第一特征数据集的特征关联性对每个时间点的注意力特征值进行计算；将所有时间点的第二特征数据集和所有时间点的注意力特征值输入到数据恢复子模型，生成与每个时间点的第二特征数据集和相应时间点的注意力特征值对应的每个时间点的第二空间数组。
根据本申请的第二方面，提供了一种异常数据确定装置，装置包括：获取单元，被配置成获取每个时间点的第一空间数组，其中，第一空间数组为用于表征同一时间点不同空间位置的多维空间数据的集合；筛选单元，被配置成将所有时间点的第一空间数组输入到数据处理模型，生成每个时间点的第一空间数组对应的每个时间点的第二空间数组，其中，数据处理模型用于表征基于每个时间点的第一空间数组中空间数据的空间相关性、所有时间点的第一空间数组中空间数据的时间序列关系和所有时间点中不同时间点的第一空间数组中空间数据的关联性对每个时间点的第一空间数组中的空间数据进行筛选；确定单元，被配置成根据每个时间点的第一空间数组与相应时间点的第二空间数组的对比结果，确定每个时间点的第一空间数组对应的异常数据。
在一些实施例中，筛选单元，包括：特征提取模块，被配置成将每个时间点的第一空间数组输入到空间特征提取子模型，生成每个时间点的第一空间数组对应的每个时间点的第一特征数据集，其中，空间特征提取子模型用于表征基于每个时间点的第一空间数组中空间数据的空间相关性对相应时间点的第一空间数组中的空间数据进行特征提取；特征确定模块，被配置成将所有时间点的第一特征数据集输入到时间特征确定子模型，生成每个时间点的第一特征数据集对应的每个时间点的第二特征数据集，其中，时间特征确定子模型用于表征基于所有时间点的第一特征数据集中特征数据的时间序列关系对每个时间点的第一特征数据集中的特征数据进行筛选；特征计算模块，被配置成将所有时间点的第一特征数据集输入到注意力特征确定子模型，生成每个时间点的第一特征数据集对应的每个时间点的注意力特征值，其中，注意力特征确定子模型用于表征基于每个时间点的第一特征数据集与所有时间点中其他时间点的第一特征数据集的特征关联性对每个时间点的注意力特征值进行计算；数据恢复模块，被配置成将所有时间点的第二特征数据集和所有时间点的注意力特征值输入到数据恢复子模型，生成与每个时间点的第二特征数据集和相应时间点的注意力特征值对应的每个时间点的第二空间数组。
根据本申请的第三方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。
根据本申请的第四方面，本申请提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
根据本公开的第五方面，本公开实施例提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面中任一实现方式描述的方法。
根据本申请的技术通过获取每个时间点的第一空间数组，其中，第一空间数组为用于表征同一时间点不同空间位置的多维空间数据的集合，将所有时间点的第一空间数组输入到数据处理模型，生成每个时间点的第一空间数组对应的每个时间点的第二空间数组，其中，数据处理模型用于表征基于每个时间点的第一空间数组中空间数据的空间相关性、所有时间点的第一空间数组中空间数据的时间序列关系和所有时间点中不同时间点的第一空间数组中空间数据的关联性对每个时间点的第一空间数组中的空间数据进行筛选，根据每个时间点的第一空间数组与相应时间点的第二空间数组的对比结果，确定每个时间点的第一空间数组对应的异常数据，实现了一种用于确定时间序列数组中异常数据的方法，解决了传统异常数据检测方法对于时空数据没有考虑时空数据本身特点(时间相关性与空间相关性)的问题，在异常数据的确定过程中针对相同时间点的不同空间上的空间数据，从数据的空间相关性、时间相关性和关联性的不同维度进行数据的特征提取和压缩，滤除数据的高维细节特征，实现了准确、快速地检测异常数据。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。
图1是根据本申请的异常数据确定方法的第一实施例的示意图；
图2是可以实现本申请实施例的异常数据确定方法的场景图；
图3是根据本申请的异常数据确定方法的第二实施例的示意图；
图4是根据本申请的异常数据确定装置的一个实施例的结构示意图；
图5是用来实现本申请实施例的异常数据确定方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了根据本申请的异常数据确定方法的第一实施例的示意图100。该异常数据确定方法，包括以下步骤：
步骤101，获取每个时间点的第一空间数组。
在本实施例中，执行主体可以根据预设时长通过有线连接方式或者无线连接方式从其他电子设备或者本地获取每个时间点的第一空间数组。第一空间数组为用于表征同一时间点不同空间位置的多维空间数据的集合。第一空间数组可以为多维数组。需要指出的是，上述无线连接方式可以包括但不限于3G、4G、5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
进一步说明，因为数据具有空间相关性和时间相关性，比如天气卫星云图数据：可以将要分析的一个大区域分成M*N个子区域，每张卫星云图包含M*N个数据，其中每一个数据点表示对应子区域当时的气象数据，然后每隔一定时间采集一次，这样会产生一系列的云图数据。第一控件数组每一个时间对应的数据可以为一个二维或者三维矩阵，而图像也是一个二维或者三维图像。
步骤102，将所有时间点的第一空间数组输入到数据处理模型，生成每个时间点的第一空间数组对应的每个时间点的第二空间数组。
在本实施例中，执行主体可以利用数据处理模型算法，对所有时间点的第一空间数组进行计算，得到每个时间点的第一空间数组对应的每个时间点的第二空间数组。数据处理模型用于表征基于每个时间点的第一空间数组中空间数据的空间相关性、所有时间点的第一空间数组中空间数据的时间序列关系和所有时间点中不同时间点的第一空间数组中空间数据的关联性对每个时间点的第一空间数组中的空间数据进行筛选。
在本实施例的一些可选的实现方式中，数据处理模型由每个时间点的历史相关数组训练得到。扩大了数据处理模型的应用范围，提升了数据处理精度。
步骤103，根据每个时间点的第一空间数组与相应时间点的第二空间数组的对比结果，确定每个时间点的第一空间数组对应的异常数据。
在本实施例中，执行主体可以将原有每个时间点的第一空间数组中的空间数据与步骤102中得到的相应时间点的第二空间数组中的空间数据进行大小对比，根据差值结果确定每个时间点的第一空间数组对应的异常数据。例如如果一个区域在历史上和周围区域天气都比较接近，但某时刻突然差别很大，那么该时刻的数据就是一个异常数据。
继续参见图2，本实施例的异常数据确定方法200运行于电子设备201中。电子设备201首先获取预设时长内的每个时间点的第一空间数组202，接着电子设备201将所有时间点的第一空间数组输入到数据处理模型，生成每个时间点的第一空间数组对应的每个时间点的第二空间数组203，最后电子设备201根据每个时间点的第一空间数组与相应时间点的第二空间数组的对比结果，确定每个时间点的第一空间数组对应的异常数据204。
本申请的上述实施例提供的异常数据确定方法通过获取每个时间点的第一空间数组，其中，第一空间数组为用于表征同一时间点不同空间位置的多维空间数据的集合，将所有时间点的第一空间数组输入到数据处理模型，生成每个时间点的第一空间数组对应的每个时间点的第二空间数组，其中，数据处理模型用于表征基于每个时间点的第一空间数组中空间数据的空间相关性、所有时间点的第一空间数组中空间数据的时间序列关系和所有时间点中不同时间点的第一空间数组中空间数据的关联性对每个时间点的第一空间数组中的空间数据进行筛选，根据每个时间点的第一空间数组与相应时间点的第二空间数组的对比结果，确定每个时间点的第一空间数组对应的异常数据，实现了一种用于确定时间序列数组中异常数据的方法，解决了传统异常数据检测方法对于时空数据没有考虑时空数据本身特点(时间相关性与空间相关性)的问题，在异常数据的确定过程中针对相同时间点的不同空间上的空间数据，从数据的空间相关性、时间相关性和关联性的不同维度进行数据的特征提取和压缩，滤除数据的高维细节特征，实现了准确、快速地检测异常数据。
进一步参考图3，其示出了异常数据确定方法的第二实施例的示意图300。该方法的流程包括以下步骤：
步骤301，获取每个时间点的第一空间数组。
步骤302，将每个时间点的第一空间数组输入到空间特征提取子模型，生成每个时间点的第一空间数组对应的每个时间点的第一特征数据集。
在本实施例中，执行主体可以将每个时间点的第一空间数组输入到空间特征提取子模型，利用空间特征提取方法对每个时间点的第一空间数组中的空间数据进行特征提取，生成每个时间点的第一空间数组对应的每个时间点的第一特征数据集。空间特征提取子模型用于表征基于每个时间点的第一空间数组中空间数据的空间相关性对相应时间点的第一空间数组中的空间数据进行特征提取，空间特征提取子模型基于卷积神经网络模型构建。
进一步说明，时空数据往往包含着空间属性，并且数据在空间维度存在着一定的相关性。在数据的空间维度往往存在着和周围数据的相关性，如天气数据在空间维度的相关性包括：两个相近的区域温度会比较接近。
在本实施例的一些可选的实现方式中，空间特征提取子模型基于每个时间点的第一空间数组中空间数据的局部特征和全局特征进行特征提取。卷积神经网络一般包含多个卷积模块，其中底层模块可以用于学习空间数据的局部细节特征，顶层模块可以用于学习全局(高层)特征，使用卷积神经网络处理数据的空间维度，学习数据在空间维度的特征，扩大模型处理的维度。
在本实施例的一些可选的实现方式中，卷积神经网络基于深度残差ResNet网络结构构建。ResNet网络结构中包括一个批标准化Batch Normalization层和一个随机失活Dropout层(用于防止过拟合)，通过卷积神经网络CNN中捷径shortcut将原始数据通过最大池化层Max Pool或者激活函数Identity，直接和计算结果合并。通过ResNet网络结构，因为网络深度大大增加，能够学习到更多更加复杂的特征，提升了模型的数据处理精度。
步骤303，将所有时间点的第一特征数据集输入到时间特征确定子模型，生成每个时间点的第一特征数据集对应的每个时间点的第二特征数据集。
在本实施例中，执行主体可以将步骤302中得到的所有时间点的第一特征数据集输入到时间特征确定子模型，利用时间特征确定方法，对每个时间点的第一特征数据集中的特征数据进行选取，生成每个时间点的第一特征数据集对应的每个时间点的第二特征数据集。其中，时间特征确定子模型用于表征基于所有时间点的第一特征数据集中特征数据的时间序列关系对每个时间点的第一特征数据集中的特征数据进行筛选。时间特征确定子模型为基于门控制循环单元GRU的递归神经网络模型。
进一步说明，时空数据往往包含着时间属性，并且数据在时间维度存在着一定的关联性。在时间维度往往存在着趋势性、季节性、周期性、自相关性等，如天气数据，在时间维度上的相关性包括：每一年冬天天气较冷，夏天天气温度较高具有周期性，从春天到夏天，温度会越来越高存在趋势性等。
GRU主要包含两个门结构，重置门和更新门。更新门用于控制前一时间点的状态信息被代入到当前时间点的程度，更新门的值越大说明前一时间点的状态信息带入的越多。重置门用于控制忽略前一时间点的状态信息的程度，重置门的值越小说明忽略的越多。通过两个门结构，模型可以消除原始递归神经网络RNN无法处理长时间序列的问题。
在本实施例的一些可选的实现方式中，将所有时间点的第一特征数据集输入到时间特征确定子模型，生成每个时间点的第一特征数据集对应的每个时间点的第二特征数据集，包括：将所有时间点的第一特征数据集分别输入到第一时间特征确定子模型和第二时间特征确定子模型，生成每个时间点的第一特征数据集对应的每个时间点的第一特征数据集和每个时间点的第一特征数据集对应的每个时间点的第二特征数据集，其中，第一时间特征确定子模型为基于前向传播的门控制循环单元的递归神经网络模型，第二时间特征确定子模型为基于后向传播的门控制循环单元的递归神经网络模型，门控制循环单元用于表征基于所有时间点的第一特征数据集中特征数据的时间序列关系对每个时间点的第一特征数据集中的特征数据进行筛选；根据每个时间点的第一特征数据子集和相应时间点的第二特征数据子集，确定每个时间点的第二特征数据集。解决了单向GRU信息只能从一端往另一端传递，无法感知之后信息的问题，使用双向门控制单元GRU去学习处理时空数据的时间维度特征，提升了数据分析的精度。
步骤304，将所有时间点的第一特征数据集输入到注意力特征确定子模型，生成每个时间点的第一特征数据集对应的每个时间点的注意力特征值。
在本实施例中，执行主体可以将所有时间点的第一特征数据集输入到注意力特征确定子模型，基于注意力机制算法生成每个时间点的第一特征数据集对应的每个时间点的注意力特征值。注意力特征确定子模型用于表征基于每个时间点的第一特征数据集与所有时间点中其他时间点的第一特征数据集的特征关联性对每个时间点的注意力特征值进行计算。
进一步说明，时空数据除了标准的时间和空间的相关性，还存在一种关联性，如一个城市的交通数据，周一的交通会和历史周一的交通情况类似，和其他天差别较大。
在本实施例的一些可选的实现方式中，将所有时间点的第一特征数据集输入到注意力特征确定子模型，生成每个时间点的第一特征数据集对应的每个时间点的注意力特征值，包括：将每个时间点的第一特征数据集分别与所有时间点中的各个其他时间点的第一特征数据集进行配对；根据预先设定的每个其他时间点的第一特征数据集对应的权重和配对结果，对每对时间点的第一特征数据集进行加权计算，得到每对时间点的第一特征数据集对应的结果值，其中，权重用于表征每个其他时间点的第一特征数据集与当前时间点的第一特征数据集的特征关联性程度；根据所有结果值，确定每个时间点的第一特征数据集对应的每个时间点的注意力特征值。考虑了其他时间点与当前时间点不同的特征关联性程度，实现了一种灵活、智能的注意力特征值计算方法。
步骤305，将所有时间点的第二特征数据集和所有时间点的注意力特征值输入到数据恢复子模型，生成与每个时间点的第二特征数据集和相应时间点的注意力特征值对应的每个时间点的第二空间数组。
在本实施例中，执行主体可以将所有时间点的第二特征数据集和所有时间点的注意力特征值输入到数据恢复子模型，利用压缩数据恢复方法生成与每个时间点的第二特征数据集和相应时间点的注意力特征值对应的每个时间点的第二空间数组。数据恢复子模型可以基于卷积神经网络模型构建。数据恢复子模型与空间特征提取子模型类似，用于基于将压缩后的特征数据恢复为与原始的第一时空数组结构相同的第二时空数组。
步骤306，根据每个时间点的第一空间数组与相应时间点的第二空间数组的对比结果，确定每个时间点的第一空间数组对应的异常数据。
在本实施例的一些可选的实现方式中，空间特征提取子模型、时间特征确定子模型、注意力特征确定子模型和数据恢复子模型中至少一个由每个时间点的历史相关数组训练得到。扩大了各个模型的应用范围，提升了各个模型的数据处理精度。
需要说明的是，上述卷积神经网络、递归神经网络和加权计算方法是目前广泛研究和应用的公知技术，在此不再赘述。
在本实施例中，步骤301和306的具体操作与图1所示的实施例中的步骤101和103的操作基本相同，在此不再赘述。
从图3中可以看出，与图1对应的实施例相比，本实施例中的异常数据确定方法的示意图300采用将每个时间点的第一空间数组输入到空间特征提取子模型，生成每个时间点的第一空间数组对应的每个时间点的第一特征数据集，将所有时间点的第一特征数据集输入到时间特征确定子模型，生成每个时间点的第一特征数据集对应的每个时间点的第二特征数据集，将所有时间点的第一特征数据集输入到注意力特征确定子模型，生成每个时间点的第一特征数据集对应的每个时间点的注意力特征值，将所有时间点的第二特征数据集和所有时间点的注意力特征值输入到数据恢复子模型，生成与每个时间点的第二特征数据集和相应时间点的注意力特征值对应的每个时间点的第二空间数组，利用注意力机制，在注意力机制层，直接考虑其他时间点和当前时间点的相关关系，使得分析结果更加精准；通过卷积神经网络和递归神经网络的结合，模型可以提取更深层特征，对于数据特性描述更加准确。
进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种异常数据确定装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，本实施例的异常数据确定装置400包括：获取单元401、筛选单元402和确定单元403，其中，获取单元，被配置成获取每个时间点的第一空间数组，其中，第一空间数组为用于表征同一时间点不同空间位置的多维空间数据的集合；筛选单元，被配置成将所有时间点的第一空间数组输入到数据处理模型，生成每个时间点的第一空间数组对应的每个时间点的第二空间数组，其中，数据处理模型用于表征基于每个时间点的第一空间数组中空间数据的空间相关性、所有时间点的第一空间数组中空间数据的时间序列关系和所有时间点中不同时间点的第一空间数组中空间数据的关联性对每个时间点的第一空间数组中的空间数据进行筛选；确定单元，被配置成根据每个时间点的第一空间数组与相应时间点的第二空间数组的对比结果，确定每个时间点的第一空间数组对应的异常数据。
在本实施例中，异常数据确定装置400的获取单元401、筛选单元402和确定单元403的具体处理及其所带来的技术效果可分别参考图1对应的实施例中的步骤101到步骤103的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，筛选单元，包括：特征提取模块，被配置成将每个时间点的第一空间数组输入到空间特征提取子模型，生成每个时间点的第一空间数组对应的每个时间点的第一特征数据集，其中，空间特征提取子模型用于表征基于每个时间点的第一空间数组中空间数据的空间相关性对相应时间点的第一空间数组中的空间数据进行特征提取；特征确定模块，被配置成将所有时间点的第一特征数据集输入到时间特征确定子模型，生成每个时间点的第一特征数据集对应的每个时间点的第二特征数据集，其中，时间特征确定子模型用于表征基于所有时间点的第一特征数据集中特征数据的时间序列关系对每个时间点的第一特征数据集中的特征数据进行筛选；特征计算模块，被配置成将所有时间点的第一特征数据集输入到注意力特征确定子模型，生成每个时间点的第一特征数据集对应的每个时间点的注意力特征值，其中，注意力特征确定子模型用于表征基于每个时间点的第一特征数据集与所有时间点中其他时间点的第一特征数据集的特征关联性对每个时间点的注意力特征值进行计算；数据恢复模块，被配置成将所有时间点的第二特征数据集和所有时间点的注意力特征值输入到数据恢复子模型，生成与每个时间点的第二特征数据集和相应时间点的注意力特征值对应的每个时间点的第二空间数组。
在本实施例的一些可选的实现方式中，筛选单元中的数据处理模型由每个时间点的历史相关数组训练得到。
在本实施例的一些可选的实现方式中，特征确定模块进一步被配置成将所有时间点的第一特征数据集分别输入到第一时间特征确定子模型和第二时间特征确定子模型，生成每个时间点的第一特征数据集对应的每个时间点的第一特征数据集和每个时间点的第一特征数据集对应的每个时间点的第二特征数据集，其中，第一时间特征确定子模型为基于前向传播的门控制循环单元的递归神经网络模型，第二时间特征确定子模型为基于后向传播的门控制循环单元的递归神经网络模型，门控制循环单元用于表征基于所有时间点的第一特征数据集中特征数据的时间序列关系对每个时间点的第一特征数据集中的特征数据进行筛选；根据每个时间点的第一特征数据子集和相应时间点的第二特征数据子集，确定每个时间点的第二特征数据集。
在本实施例的一些可选的实现方式中，特征计算模块，包括：配对子模块，被配置成将每个时间点的第一特征数据集分别与所有时间点中的各个其他时间点的第一特征数据集进行配对；计算子模块，被配置成根据每个其他时间点的第一特征数据集对应的权重和配对结果，对每对时间点的第一特征数据集进行加权计算，得到每对时间点的第一特征数据集对应的结果值，其中，权重用于表征每个其他时间点的第一特征数据集与当前时间点的第一特征数据集的特征关联性程度；确定子模块，被配置成根据所有结果值，确定每个时间点的第一特征数据集对应的每个时间点的注意力特征值。
在本实施例的一些可选的实现方式中，特征提取模块中的空间特征提取子模型、特征确定模块中的时间特征确定子模型、特征计算模块中的注意力特征确定子模型和数据恢复模块中的数据恢复子模型中至少一个由每个时间点的历史相关数组训练得到。
在本实施例的一些可选的实现方式中，特征提取模块中的空间特征提取子模型基于每个时间点的第一空间数组中空间数据的局部特征和全局特征进行特征提取；特征提取模块中的空间特征提取子模型和/或数据恢复模块中的数据恢复子模型基于卷积神经网络模型构建。
在本实施例的一些可选的实现方式中，特征提取模块和/或数据恢复模块中的卷积神经网络基于深度残差ResNet网络结构构建。
根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
如图5所示，是根据本申请实施例的异常数据确定方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的异常数据确定方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的异常数据确定方法。
存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的异常数据确定方法对应的程序指令/模块(例如，附图4所示的获取单元401、筛选单元402和确定单元403)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的异常数据确定方法。
存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据异常数据确定电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至异常数据确定电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
异常数据确定方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息，以及产生与异常数据确定电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前侧部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前侧部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，通过获取每个时间点的第一空间数组，其中，第一空间数组为用于表征同一时间点不同空间位置的多维空间数据的集合，将所有时间点的第一空间数组输入到数据处理模型，生成每个时间点的第一空间数组对应的每个时间点的第二空间数组，其中，数据处理模型用于表征基于每个时间点的第一空间数组中空间数据的空间相关性、所有时间点的第一空间数组中空间数据的时间序列关系和所有时间点中不同时间点的第一空间数组中空间数据的关联性对每个时间点的第一空间数组中的空间数据进行筛选，根据每个时间点的第一空间数组与相应时间点的第二空间数组的对比结果，确定每个时间点的第一空间数组对应的异常数据，实现了一种用于确定时间序列数组中异常数据的方法，解决了传统异常数据检测方法对于时空数据没有考虑时空数据本身特点(时间相关性与空间相关性)的问题，在异常数据的确定过程中针对相同时间点的不同空间上的空间数据，从数据的空间相关性、时间相关性和关联性的不同维度进行数据的特征提取和压缩，滤除数据的高维细节特征，实现了准确、快速地检测异常数据。采用将每个时间点的第一空间数组输入到空间特征提取子模型，生成每个时间点的第一空间数组对应的每个时间点的第一特征数据集，将所有时间点的第一特征数据集输入到时间特征确定子模型，生成每个时间点的第一特征数据集对应的每个时间点的第二特征数据集，将所有时间点的第一特征数据集输入到注意力特征确定子模型，生成每个时间点的第一特征数据集对应的每个时间点的注意力特征值，将所有时间点的第二特征数据集和所有时间点的注意力特征值输入到数据恢复子模型，生成与每个时间点的第二特征数据集和相应时间点的注意力特征值对应的每个时间点的第二空间数组，利用注意力机制，在注意力机制层，直接考虑其他时间点和当前时间点的相关关系，使得分析结果更加精准；通过卷积神经网络和递归神经网络的结合，模型可以提取更深层特征，对于数据特性描述更加准确。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (17)
1.一种异常数据确定方法，所述方法包括：
获取卫星云图中每个时间点的第一空间数组，其中，所述第一空间数组为用于表征同一时间点不同空间位置的多维空间数据的集合；
基于每个时间点的第一空间数组中空间数据的空间相关性，对相应时间点的第一空间数组中的空间数据进行特征提取，生成与每个时间点的第一空间数组对应的每个时间点的第一特征数据集；
基于所有时间点的第一特征数据集中特征数据的时间序列关系对每个时间点的第一特征数据集中的特征数据进行筛选，生成每个时间点的第一特征数据集对应的每个时间点的第二特征数据集；
基于每个时间点的第一特征数据集与所有时间点中其他时间点的第一特征数据集的特征关联性对每个时间点的注意力特征值进行计算，生成每个时间点的第一特征数据集对应的每个时间点的注意力特征值；
基于所有时间点的第二特征数据集和所有时间点的注意力特征值，生成与每个时间点的第二特征数据集和相应时间点的注意力特征值对应的每个时间点的第二空间数组；
根据每个时间点的第一空间数组与相应时间点的第二空间数组的对比结果，确定每个时间点的第一空间数组对应的异常数据。
2.根据权利要求1所述方法，
其中，将所述每个时间点的第一空间数组输入到空间特征提取子模型，生成所述第一特征数据集；
其中，将所述第一特征数据集输入到时间特征确定子模型，生成所述第二特征数据集；
其中，将所述第一特征数据集输入到注意力特征确定子模型，生成所述注意力特征值；
其中，将所述第二特征数据集和所有时间点的注意力特征值输入到数据恢复子模型，生成所述第二空间数组。
3.根据权利要求2所述方法，其中，所述将所述第一特征数据集输入到时间特征确定子模型，生成所述第二特征数据集，包括：
将所有时间点的第一特征数据集分别输入到第一时间特征确定子模型和第二时间特征确定子模型，生成每个时间点的第一特征数据集对应的每个时间点的第一特征数据集和每个时间点的第一特征数据集对应的每个时间点的第二特征数据集，其中，所述第一时间特征确定子模型为基于前向传播的门控制循环单元的递归神经网络模型，第二时间特征确定子模型为基于后向传播的门控制循环单元的递归神经网络模型，所述门控制循环单元用于表征基于所有时间点的第一特征数据集中特征数据的时间序列关系对每个时间点的第一特征数据集中的特征数据进行筛选；
根据每个时间点的第一特征数据子集和相应时间点的第二特征数据子集，确定每个时间点的第二特征数据集。
4.根据权利要求2所述方法，其中，所述将所述第一特征数据集输入到注意力特征确定子模型，生成所述注意力特征值，包括：
将每个时间点的第一特征数据集分别与所有时间点中的各个其他时间点的第一特征数据集进行配对；
根据每个其他时间点的第一特征数据集对应的权重和所述配对结果，对每对时间点的第一特征数据集进行加权计算，得到每对时间点的第一特征数据集对应的结果值，其中，所述权重用于表征每个其他时间点的第一特征数据集与当前时间点的第一特征数据集的特征关联性程度；
根据所有所述结果值，确定每个时间点的第一特征数据集对应的每个时间点的注意力特征值。
5.根据权利要求2所述方法，其中，所述空间特征提取子模型、所述时间特征确定子模型、所述注意力特征确定子模型和所述数据恢复子模型中至少一个由每个时间点的历史相关数组训练得到。
6.根据权利要求2所述方法，其中，所述空间特征提取子模型基于每个时间点的第一空间数组中空间数据的局部特征和全局特征进行特征提取；所述空间特征提取子模型和/或所述数据恢复子模型基于卷积神经网络模型构建。
7.根据权利要求6所述方法，其中，所述卷积神经网络基于深度残差ResNet网络结构构建。
8.一种异常数据确定装置，所述装置包括：
获取单元，被配置成获取卫星云图中每个时间点的第一空间数组，其中，所述第一空间数组为用于表征同一时间点不同空间位置的多维空间数据的集合；
筛选单元，被配置成基于每个时间点的第一空间数组中空间数据的空间相关性，对相应时间点的第一空间数组中的空间数据进行特征提取，生成与每个时间点的第一空间数组对应的每个时间点的第一特征数据集；基于所有时间点的第一特征数据集中特征数据的时间序列关系对每个时间点的第一特征数据集中的特征数据进行筛选，生成每个时间点的第一特征数据集对应的每个时间点的第二特征数据集；基于每个时间点的第一特征数据集与所有时间点中其他时间点的第一特征数据集的特征关联性对每个时间点的注意力特征值进行计算，生成每个时间点的第一特征数据集对应的每个时间点的注意力特征值；基于所有时间点的第二特征数据集和所有时间点的注意力特征值，生成与每个时间点的第二特征数据集和相应时间点的注意力特征值对应的每个时间点的第二空间数组；
确定单元，被配置成根据每个时间点的第一空间数组与相应时间点的第二空间数组的对比结果，确定每个时间点的第一空间数组对应的异常数据。
9.根据权利要求8所述装置，其中，所述筛选单元，包括：
特征提取模块，被配置成将所述每个时间点的第一空间数组输入到空间特征提取子模型，生成所述第一特征数据集；
特征确定模块，被配置成将所述第一特征数据集输入到时间特征确定子模型，生成所述第二特征数据集；
特征计算模块，被配置成将所述第一特征数据集输入到注意力特征确定子模型，生成所述注意力特征值；
数据恢复模块，被配置成将所述第二特征数据集和所有时间点的注意力特征值输入到数据恢复子模型，生成所述第二空间数组。
10.根据权利要求9所述装置，其中，所述特征确定模块进一步被配置成将所有时间点的第一特征数据集分别输入到第一时间特征确定子模型和第二时间特征确定子模型，生成每个时间点的第一特征数据集对应的每个时间点的第一特征数据集和每个时间点的第一特征数据集对应的每个时间点的第二特征数据集，其中，所述第一时间特征确定子模型为基于前向传播的门控制循环单元的递归神经网络模型，第二时间特征确定子模型为基于后向传播的门控制循环单元的递归神经网络模型，所述门控制循环单元用于表征基于所有时间点的第一特征数据集中特征数据的时间序列关系对每个时间点的第一特征数据集中的特征数据进行筛选；根据每个时间点的第一特征数据子集和相应时间点的第二特征数据子集，确定每个时间点的第二特征数据集。
11.根据权利要求9所述装置，其中，所述特征计算模块，包括：
配对子模块，被配置成将每个时间点的第一特征数据集分别与所有时间点中的各个其他时间点的第一特征数据集进行配对；
计算子模块，被配置成根据每个其他时间点的第一特征数据集对应的权重和所述配对结果，对每对时间点的第一特征数据集进行加权计算，得到每对时间点的第一特征数据集对应的结果值，其中，所述权重用于表征每个其他时间点的第一特征数据集与当前时间点的第一特征数据集的特征关联性程度；
确定子模块，被配置成根据所有所述结果值，确定每个时间点的第一特征数据集对应的每个时间点的注意力特征值。
12.根据权利要求9所述装置，其中，所述特征提取模块中的所述空间特征提取子模型、所述特征确定模块中的所述时间特征确定子模型、所述特征计算模块中的所述注意力特征确定子模型和所述数据恢复模块中的所述数据恢复子模型中至少一个由每个时间点的历史相关数组训练得到。
13.根据权利要求9所述装置，其中，所述特征提取模块中的所述空间特征提取子模型基于每个时间点的第一空间数组中空间数据的局部特征和全局特征进行特征提取；所述特征提取模块中的所述空间特征提取子模型和/或所述数据恢复模块中的所述数据恢复子模型基于卷积神经网络模型构建。
14.根据权利要求13所述装置，其中，所述特征提取模块和/或所述数据恢复模块中的所述卷积神经网络基于深度残差ResNet网络结构构建。
15.一种电子设备，其特征在于，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执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010615279.XA CN111782709B (zh) | 2020-06-30 | 2020-06-30 | 异常数据确定方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010615279.XA CN111782709B (zh) | 2020-06-30 | 2020-06-30 | 异常数据确定方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111782709A CN111782709A (zh) | 2020-10-16 |
| CN111782709B true CN111782709B (zh) | 2024-07-02 |
Family
ID=72760883
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010615279.XA Active CN111782709B (zh) | 2020-06-30 | 2020-06-30 | 异常数据确定方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111782709B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112329847A (zh) * | 2020-11-03 | 2021-02-05 | 北京神州泰岳软件股份有限公司 | 一种异常检测方法、装置、电子设备及存储介质 |
| CN113723607A (zh) * | 2021-06-02 | 2021-11-30 | 京东城市(北京)数字科技有限公司 | 时空数据处理模型的训练方法、装置、设备及存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110827543A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于深度学习和时空数据融合的短时交通流控制方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9258932B2 (en) * | 2011-12-23 | 2016-02-09 | International Business Machines Corporation | Data center thermal management |
| US9830709B2 (en) * | 2016-03-11 | 2017-11-28 | Qualcomm Incorporated | Video analysis with convolutional attention recurrent neural networks |
| CN107612765B (zh) * | 2016-07-12 | 2020-12-25 | 华为技术有限公司 | 数据处理的方法及装置 |
| CN110491146B (zh) * | 2019-08-21 | 2020-08-21 | 浙江工业大学 | 一种基于深度学习的交通信号控制方案实时推荐方法 |
-
2020
- 2020-06-30 CN CN202010615279.XA patent/CN111782709B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110827543A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于深度学习和时空数据融合的短时交通流控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111782709A (zh) | 2020-10-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111626119B (zh) | 目标识别模型训练方法、装置、设备以及存储介质 | |
| JP7429796B2 (ja) | 車両追跡方法、装置及び電子機器 | |
| CN111783870B (zh) | 人体属性的识别方法、装置、设备及存储介质 | |
| US11900708B2 (en) | Neural network-based recognition of trade workers present on industrial sites | |
| EP3822857B1 (en) | Target tracking method, device, electronic apparatus and storage medium | |
| CN111640140A (zh) | 目标跟踪方法、装置、电子设备及计算机可读存储介质 | |
| CN111782709B (zh) | 异常数据确定方法和装置 | |
| US20210350146A1 (en) | Vehicle Tracking Method, Apparatus, and Electronic Device | |
| EP3866065B1 (en) | Target detection method, device and storage medium | |
| CN106952293B (zh) | 一种基于非参数在线聚类的目标跟踪方法 | |
| CN111783619B (zh) | 人体属性的识别方法、装置、设备及存储介质 | |
| CN112149741B (zh) | 图像识别模型的训练方法、装置、电子设备及存储介质 | |
| JP7241234B2 (ja) | 深層教師なしバイナリコード化ネットワークを実装するコンピュータシステムの状態の監視 | |
| CN111831870B (zh) | 时空数据的异常检测方法、装置、电子设备和存储介质 | |
| CN111275190A (zh) | 神经网络模型的压缩方法及装置、图像处理方法及处理器 | |
| CN110852321B (zh) | 候选框过滤方法、装置以及电子设备 | |
| CN112782700B (zh) | 一种基于雷达图的降水预测方法以及装置 | |
| CN116228867B (zh) | 位姿确定方法、装置、电子设备、介质 | |
| CN112001265A (zh) | 视频事件识别方法、装置、电子设备及存储介质 | |
| CN111860225A (zh) | 一种图像处理的方法、装置、电子设备及存储介质 | |
| Zhang et al. | Abnormal event detection via compact low-rank sparse learning | |
| CN112528932B (zh) | 用于优化位置信息的方法、装置、路侧设备和云控平台 | |
| CN111488972B (zh) | 数据迁移方法、装置、电子设备和存储介质 | |
| CN111027387B (zh) | 人数评估及评估模型获取方法、装置及存储介质 | |
| Kushwaha et al. | Adaptive real-time motion segmentation technique based on statistical background model |
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 |