CN112016701A - 一种融合时序和属性行为的异常变化检测方法及系统 - Google Patents
一种融合时序和属性行为的异常变化检测方法及系统 Download PDFInfo
- Publication number
- CN112016701A CN112016701A CN202010938251.XA CN202010938251A CN112016701A CN 112016701 A CN112016701 A CN 112016701A CN 202010938251 A CN202010938251 A CN 202010938251A CN 112016701 A CN112016701 A CN 112016701A
- Authority
- CN
- China
- Prior art keywords
- behavior
- individual
- attribute
- individuals
- abnormal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000006399 behavior Effects 0.000 title claims abstract description 85
- 230000008859 change Effects 0.000 title claims abstract description 59
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 13
- 230000002547 anomalous effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000003542 behavioural effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000005267 amalgamation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种融合时序和属性行为的异常变化检测方法及系统,实施时先使用原始行为数据在指定的时间片长度和周期长度下构建行为信息序列,之后使用基于自编码器和注意力机制的网络表示学习方法学习所有个体在参考窗口和当前窗口的低维向量表示。搜索在参考窗口与单个个体相似的个体后,通过同一个体与其相似个体在不同窗口的区别计算异常分数,得到具有局部异常行为变化的个体。本发明在搜索局部异常行为变化时同时考虑行为的时序信息和属性信息,融合这两部分信息的数据进行局部异常行为变化检测;本方法采用无监督方式检测局部异常行为变化,无需人工标注数据。
Description
技术领域
本发明涉及数据建模、行为分析和异常检测相关领域,具体来讲涉及的是一种融合时序和属性行为的异常变化检测方法及系统。
背景技术
行为是一个人(个体)生活习惯和心理状态的一个外在体现,研究个体的行为对商品推荐、社群预测、异常告警等多种任务都有积极的作用。局部异常行为变化是反映一个个体在近期行为出现显著异常的体现,检测这种异常变化可以有效地降低高风险事件的发生。例如敬老院中老人们具有类似的生活习惯,并且会随敬老院的安排而变化。这时如果发现一名老人的变化与其他相似老人的变化有区别,则说明这名老人身上出现了我们预期以外的事件(生理上或心理上)影响了行为的变化,这时就需要引起我们的注意。
然而,对于不同个体行为的建模是十分复杂的,行为的发生具有明显的时序关系并且个体和行为都具有自身的属性,建模过程中需要考虑这两方面的信息。建模完成后的表示学习阶段也要同时保留这两方面的信息得到更为全面的向量表示,这就为我们检测局部异常变化带来了困难。
现有的方法对行为进行建模时考虑了行为的时序信息或者属性信息,并且取得了较好的效果。但现有的方法没有提出能够同时保留两种信息的建模方式。并且在网络表示学习阶段也无法同时保留两部分的信息,这也就为方法的应用带来了一定的缺陷。
发明内容
因此,为了解决上述不足,本发明在此提供一种融合时序和属性行为的异常变化检测方法及系统,在克服现有方法不足的情况下提高了检测局部异常行为变化的效果。
本发明是这样实现的,构造一种融合时序和属性行为的异常变化检测方法,其特征在于;采用无监督学习的方式,融合行为数据的时序和属性信息进行局部异常行为变化检测;实现步骤如下:
步骤1,使用原始行为数据在指定的时间片长度和周期长度下构建行为信息序列,即构建多个具有顺序关系的异构属性网络,并划分参考窗口和当前窗口;
步骤2,使用基于自编码器和注意力机制的网络表示学习方法学习所有个体在参考窗口和当前窗口的低维向量表示;
步骤3,使用基于欧几里得距离的K近邻标准搜索在参考窗口与单个个体相似的个体;
步骤4,通过同一个体与其相似个体在不同窗口的区别计算异常分数,通过排序得到具有局部异常行为变化的个体。
根据本发明所述一种融合时序和属性行为的异常变化检测方法,其特征在于;所述步骤1的具体实现方式如下:对于使用时间戳、地点、个体、其他属性所记录的原始行为信息,要首先构建行为信息序列;一个行为信息序列是有多个具有顺序关系的异构属性网络构成的;对于给定的周期长度,将原始数据集划分为相邻但不相交的多个子数据集,每个子数据集用于构建单个异构属性网络;对于给定的时间片长度,将一个子数据集包含的时间离散化,作为异构属性网络中行为结点的属性;异构属性网络中除个体、行为结点以及它们之间的相关关系外,在此还引入个体、行为发生的地点的基本信息以及时间片作为网络中包含的属性;构成一个完整的异构属性网络;多个子数据集构建的异构属性网络按时间先后排序得到行为信息序列;并将行为信息序列划分为参考窗口和当前窗口。
根据本发明所述一种融合时序和属性行为的异常变化检测方法,其特征在于;所述步骤2的具体实现方式如下:对于行为信息序列中的每一个异构属性网络,通过网络中结点的属性得到结点的初始向量表示,作为网络表示学习模型的输入;对于因属性个数而确定向量维度的初始向量,模型首先引入一个全连接层将向量长度变化至指定大小,然后使用基于注意力机制的信息传播模型将个体与行为之间的信息进行传播,传播3-5次;传播完成后即得到目标向量表示;传播过程中模型参数的训练主要依据为最小化下列公式:
此步骤的模型参数训练完成后同时计算得到参考窗口和当前窗口的个体向量表示。
根据本发明所述一种融合时序和属性行为的异常变化检测方法,其特征在于;所述步骤3的具体实现方式如下:使用欧几里得距离作为向量间距离计算依据,分别在参考窗口和当前窗口计算每一个个体的K近邻,将计算得到的距离最小的K的个体作为与当前个体具有相似行为的相似集合。
根据本发明所述一种融合时序和属性行为的异常变化检测方法,其特征在于;上述步骤5的具体实现方式如下:通过对比每一个个体与相似集合在参考窗口和当前窗口的低维向量表示距离,差别大的更有可能具有异常行为变化,反之具有异常行为变化的可能性越小;因此根据以下公式计算每个个体的异常分数:
sScore((o,T),So)=||cT-fT(o)||2
aScore(o,(Trec,Tref))=|sScore((o,Trec),So)-sScore((o,Tref),So)|
其中,o为一个个体,So为个体o在参考窗口中相似的个体集合(步骤3中得到)。sScore表示,在窗口T中个体o与So的相似分数。Tref为参考窗口,Trec为当前窗口。c表示So在步骤2中低维向量的中心,f表示在步骤2中将个体o映射到低维向量的函数。aScore表示在参考窗口和异常窗口的异常分数。异常分数排名越高的个体越有可能具有异常行为变化。
一种融合时序和属性行为的异常变化检测系统,其特征在于;该系统组成包括监控中心、数据存储集群、终端设备服务器以及终端设备;这几部分通过网络通信;将采用刷卡消费,门禁系统,移动手机等各种终端采集得到异构的数据源,并存储到服务器当中,结合计算机分析,实现了数据统计,在线局部异常行为变化检测;
所述监控中心为计算器;
所述数据存储集群包括服务器及数据库系统;
所述终端设备服务器包括消费结算管理服务器、社交信息采集服务器;
所述终端设备包括刷卡机、门禁、移动手机。
本发明具有以下优点:本发明提供一种融合时序和属性行为的异常变化检测方法及系统,实施时先使用原始行为数据在指定的时间片长度和周期长度下构建行为信息序列,之后使用基于自编码器和注意力机制的网络表示学习方法学习所有个体在参考窗口和当前窗口的低维向量表示。搜索在参考窗口与单个个体相似的个体后,通过同一个体与其相似个体在不同窗口的区别计算异常分数,得到具有局部异常行为变化的个体。本发明在搜索局部异常行为变化时同时考虑行为的时序信息和属性信息,融合这两部分信息的数据进行局部异常行为变化检测;本方法采用无监督方式检测局部异常行为变化,无需人工标注数据。
附图说明
图1是本发明一种融合时序和属性行为数据的局部异常行为变化检测框架图;
图2是本发明网络表示学习框架示意图;
图3是本发明变化检测系统框架图。
具体实施方式
下面将结合附图1-图3对本发明进行详细说明,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例如下:本发明通过改进在此提供一种融合时序和属性行为的异常变化检测方法,框架如图1-图2所示;具有以下四个步骤,每个部分的详细执行如下:
步骤1,对于使用时间戳、地点、个体、其他属性所记录的原始行为信息,要首先构建行为信息序列;一个行为信息序列是有多个具有顺序关系的异构属性网络构成的。对于给定的周期长度,将原始数据集划分为相邻但不相交的多个子数据集,每个子数据集用于构建单个异构属性网络。对于给定的时间片长度,将一个子数据集包含的时间离散化,作为异构属性网络中行为结点的属性。异构属性网络中除个体、行为结点以及它们之间的相关关系外,我们还引入个体、行为发生的地点的基本信息以及时间片作为网络中包含的属性。构成一个完整的异构属性网络。多个子数据集构建的异构属性网络按时间先后排序得到行为信息序列。并将行为信息序列划分为参考窗口和当前窗口。
步骤2,对于行为信息序列中的每一个异构属性网络,通过网络中结点的属性得到结点的初始向量表示,作为网络表示学习模型的输入。对于因属性个数而确定向量维度的初始向量,模型首先引入一个全连接层将向量长度变化至指定大小,然后使用基于注意力机制的信息传播模型将个体与行为之间的信息进行传播,一般情况传播3-5次。传播完成后即得到目标向量表示,如图2。传播过程中模型参数的训练主要依据为最小化下列公式:
此步骤的模型参数训练完成后同时计算得到参考窗口和当前窗口的个体向量表示。
步骤3,使用欧几里得距离作为向量间距离计算依据,分别在参考窗口计算每一个个体的K近邻,将计算得到的距离最小的K的个体作为与当前个体具有相似行为的相似集合。
步骤4,通过对比每一个个体与相似集合在参考窗口和当前窗口的低维向量表示距离,差别大的更有可能具有异常行为变化,反之具有异常行为变化的可能性越小;因此根据以下公式计算每个个体的异常分数:
sScore((o,T),So)=||cT-fT(o)||2
aScore(o,(Trec,Tref))=|sScore((o,Trec),So)-sScore((o,Tref),So)|
其中,o为一个个体,So为个体o在参考窗口中相似的个体集合(步骤3中得到)。sScore表示,在窗口T中个体o与So的相似分数。Tref为参考窗口,Trec为当前窗口。c表示So在步骤2中低维向量的中心,f表示在步骤2中将个体o映射到低维向量的函数。aScore表示在参考窗口和异常窗口的异常分数。异常分数排名越高的个体越有可能具有异常行为变化。
如图3所示,一种融合时序和属性行为的异常变化检测系统,该系统组成包括监控中心、数据存储集群、终端设备服务器以及终端设备;这几部分通过网络通信;将采用刷卡消费,门禁系统,移动手机等各种终端采集得到异构的数据源,并存储到服务器当中,结合计算机分析,实现了数据统计,在线局部异常行为变化检测。
所述监控中心为计算器;
所述数据存储集群包括服务器及数据库系统;
所述终端设备服务器包括消费结算管理服务器、社交信息采集服务器;
所述终端设备包括刷卡机、门禁、移动手机。
本发明具有以下优点及有益效果:本发明提供一种融合时序和属性行为数据的局部异常行为变化检测方法及系统,实施时先使用原始行为数据在指定的时间片长度和周期长度下构建行为信息序列,之后使用基于自编码器和注意力机制的网络表示学习方法学习所有个体在参考窗口和当前窗口的低维向量表示。搜索在参考窗口与单个个体相似的个体后,通过同一个体与其相似个体在不同窗口的区别计算异常分数,得到具有局部异常行为变化的个体。本发明在搜索局部异常行为变化时同时考虑行为的时序信息和属性信息,融合这两部分信息的数据进行局部异常行为变化检测;本方法采用无监督方式检测局部异常行为变化,无需人工标注数据。
应用领域:行为是一个人(个体)生活习惯和心理状态的一个外在体现,研究个体的行为对商品推荐、社群预测、异常告警等多种任务都有积极的作用。局部异常行为变化是反映一个个体在近期行为出现显著异常的体现,检测这种异常变化可以有效地降低高风险事件的发生。敬老院中老人们具有类似的生活习惯,并且会随敬老院的安排而变化。这时如果发现一名老人的变化与其他相似老人的变化有区别,则说明这名老人身上出现了我们预期以外的事件(生理上或心理上)影响了行为的变化,这时就需要引起我们的注意。
所述局部异常行为变化检测系统能够适用于多个场景,如高校预警,企业异常行为检测,工厂系统异常监控等。将采用刷卡消费,门禁系统,移动手机等各种终端采集得到异构的数据源,并存储到服务器当中,结合计算机分析,实现了数据统计,在线局部异常行为变化检测。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种融合时序和属性行为的异常变化检测方法,其特征在于;采用无监督学习的方式,融合行为数据的时序和属性信息进行局部异常行为变化检测;实现步骤如下:
步骤1,使用原始行为数据在指定的时间片长度和周期长度下构建行为信息序列,即构建多个具有顺序关系的异构属性网络,并划分参考窗口和当前窗口;
步骤2,使用基于自编码器和注意力机制的网络表示学习方法学习所有个体在参考窗口和当前窗口的低维向量表示;
步骤3,使用基于欧几里得距离的K近邻标准搜索在参考窗口与单个个体相似的个体;
步骤4,通过同一个体与其相似个体在不同窗口的区别计算异常分数,通过排序得到具有局部异常行为变化的个体。
2.根据权利要求1所述一种融合时序和属性行为的异常变化检测方法,其特征在于;所述步骤1的具体实现方式如下:对于使用时间戳、地点、个体、其他属性所记录的原始行为信息,要首先构建行为信息序列;一个行为信息序列是有多个具有顺序关系的异构属性网络构成的;对于给定的周期长度,将原始数据集划分为相邻但不相交的多个子数据集,每个子数据集用于构建单个异构属性网络;对于给定的时间片长度,将一个子数据集包含的时间离散化,作为异构属性网络中行为结点的属性;异构属性网络中除个体、行为结点以及它们之间的相关关系外,在此还引入个体、行为发生的地点的基本信息以及时间片作为网络中包含的属性;构成一个完整的异构属性网络;多个子数据集构建的异构属性网络按时间先后排序得到行为信息序列;并将行为信息序列划分为参考窗口和当前窗口。
3.根据权利要求1所述一种融合时序和属性行为的异常变化检测方法,其特征在于;所述步骤2的具体实现方式如下:对于行为信息序列中的每一个异构属性网络,通过网络中结点的属性得到结点的初始向量表示,作为网络表示学习模型的输入;对于因属性个数而确定向量维度的初始向量,模型首先引入一个全连接层将向量长度变化至指定大小,然后使用基于注意力机制的信息传播模型将个体与行为之间的信息进行传播,传播3-5次;传播完成后即得到目标向量表示;传播过程中模型参数的训练主要依据为最小化下列公式:
此步骤的模型参数训练完成后,同时计算得到参考窗口和当前窗口的个体向量表示。
4.根据权利要求1所述一种融合时序和属性行为的异常变化检测方法,其特征在于;所述步骤3的具体实现方式如下:使用欧几里得距离作为向量间距离计算依据,分别在参考窗口和当前窗口计算每一个个体的K近邻,将计算得到的距离最小的K个体作为与当前个体具有相似行为的相似集合。
5.根据权利要求1所述一种融合时序和属性行为的异常变化检测方法,其特征在于;所述步骤5的具体实现方式如下:通过对比每一个个体与相似集合在参考窗口和当前窗口的低维向量表示距离,差别大的更有可能具有异常行为变化,反之具有异常行为变化的可能性越小;因此根据以下公式计算每个个体的异常分数:
其中,o为一个个体,So为个体o在参考窗口中相似的个体集合(步骤3中得到);sScore表示,在窗口T中个体o与So的相似分数;Tref为参考窗口,Trec为当前窗口;c表示So在步骤2中低维向量的中心,f表示在步骤2中将个体o映射到低维向量的函数;aScore表示在参考窗口和异常窗口的异常分数;异常分数排名越高的个体越有可能具有异常行为变化。
6.一种融合时序和属性行为的异常变化检测系统,其特征在于;该系统组成包括监控中心、数据存储集群、终端设备服务器以及终端设备;这几部分通过网络通信;将采用刷卡消费,门禁系统,移动手机等各种终端采集得到异构的数据源,并存储到服务器当中,结合计算机分析,实现了数据统计,在线局部异常行为变化检测;所述监控中心为计算器;
所述数据存储集群包括服务器及数据库系统;
所述终端设备服务器包括消费结算管理服务器、社交信息采集服务器;
所述终端设备包括刷卡机、门禁、移动手机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010938251.XA CN112016701B (zh) | 2020-09-09 | 2020-09-09 | 一种融合时序和属性行为的异常变化检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010938251.XA CN112016701B (zh) | 2020-09-09 | 2020-09-09 | 一种融合时序和属性行为的异常变化检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112016701A true CN112016701A (zh) | 2020-12-01 |
CN112016701B CN112016701B (zh) | 2023-09-15 |
Family
ID=73521291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010938251.XA Active CN112016701B (zh) | 2020-09-09 | 2020-09-09 | 一种融合时序和属性行为的异常变化检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016701B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861931A (zh) * | 2021-01-21 | 2021-05-28 | 南开大学 | 一种基于差异注意力神经网络的多级别变化检测方法 |
CN117407827A (zh) * | 2023-12-15 | 2024-01-16 | 湖南辉达净化工程有限公司 | 一种净化工程废气净化设备异常运行数据检测方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103780475A (zh) * | 2014-02-24 | 2014-05-07 | 中国人民解放军理工大学 | 基于分层自治域的空间信息网络异构动态组网方法 |
CN103955535A (zh) * | 2014-05-14 | 2014-07-30 | 南京大学镇江高新技术研究院 | 一种基于元路径的个性化推荐方法及系统 |
CN106652115A (zh) * | 2016-09-30 | 2017-05-10 | 广东京奥信息科技有限公司 | 一种基于服务器平台的视频门禁监控系统 |
CN107491749A (zh) * | 2017-08-11 | 2017-12-19 | 南京邮电大学 | 一种人群场景中全局和局部异常行为检测方法 |
US20180082055A1 (en) * | 2008-07-30 | 2018-03-22 | Next It Corporation | Filtering Data Transfers |
CN108009690A (zh) * | 2017-12-22 | 2018-05-08 | 北京工业大学 | 一种基于模块度最优化的地面公交扒窃团体自动检测方法 |
CN109359670A (zh) * | 2018-09-18 | 2019-02-19 | 北京工业大学 | 一种基于交通大数据的个体关联强度自动检测方法 |
CN109376720A (zh) * | 2018-12-19 | 2019-02-22 | 杭州电子科技大学 | 基于关节点时空简单循环网络和注意力机制的动作分类方法 |
CN109471698A (zh) * | 2018-10-19 | 2019-03-15 | 中国电子科技集团公司第二十八研究所 | 云环境下虚拟机异常行为检测系统和方法 |
CN109710835A (zh) * | 2018-11-15 | 2019-05-03 | 中国人民解放军国防科技大学 | 一种带有时间权重的异构信息网络推荐方法 |
CN109726771A (zh) * | 2019-02-27 | 2019-05-07 | 深圳市赛梅斯凯科技有限公司 | 异常驾驶检测模型建立方法、装置及存储介质 |
CN109754258A (zh) * | 2018-12-24 | 2019-05-14 | 同济大学 | 一种基于个体行为建模的面向线上交易欺诈检测方法 |
CN109977132A (zh) * | 2019-02-01 | 2019-07-05 | 北京工业大学 | 一种基于无监督聚类模式的学生异常行为模式分析方法 |
CN110535723A (zh) * | 2019-08-27 | 2019-12-03 | 西安交通大学 | 一种sdn中采用深度学习的消息异常检测方法 |
CN111274866A (zh) * | 2019-12-24 | 2020-06-12 | 南京邮电大学 | 一种基于子群组划分和动静特征融合的人群行为识别方法 |
CN111291707A (zh) * | 2020-02-24 | 2020-06-16 | 南京甄视智能科技有限公司 | 异常行为的识别方法、装置、存储介质及服务器 |
US20200336502A1 (en) * | 2019-04-18 | 2020-10-22 | Oracle International Corporation | Detecting behavior anomalies of cloud users |
-
2020
- 2020-09-09 CN CN202010938251.XA patent/CN112016701B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180082055A1 (en) * | 2008-07-30 | 2018-03-22 | Next It Corporation | Filtering Data Transfers |
CN103780475A (zh) * | 2014-02-24 | 2014-05-07 | 中国人民解放军理工大学 | 基于分层自治域的空间信息网络异构动态组网方法 |
CN103955535A (zh) * | 2014-05-14 | 2014-07-30 | 南京大学镇江高新技术研究院 | 一种基于元路径的个性化推荐方法及系统 |
CN106652115A (zh) * | 2016-09-30 | 2017-05-10 | 广东京奥信息科技有限公司 | 一种基于服务器平台的视频门禁监控系统 |
CN107491749A (zh) * | 2017-08-11 | 2017-12-19 | 南京邮电大学 | 一种人群场景中全局和局部异常行为检测方法 |
CN108009690A (zh) * | 2017-12-22 | 2018-05-08 | 北京工业大学 | 一种基于模块度最优化的地面公交扒窃团体自动检测方法 |
CN109359670A (zh) * | 2018-09-18 | 2019-02-19 | 北京工业大学 | 一种基于交通大数据的个体关联强度自动检测方法 |
CN109471698A (zh) * | 2018-10-19 | 2019-03-15 | 中国电子科技集团公司第二十八研究所 | 云环境下虚拟机异常行为检测系统和方法 |
CN109710835A (zh) * | 2018-11-15 | 2019-05-03 | 中国人民解放军国防科技大学 | 一种带有时间权重的异构信息网络推荐方法 |
CN109376720A (zh) * | 2018-12-19 | 2019-02-22 | 杭州电子科技大学 | 基于关节点时空简单循环网络和注意力机制的动作分类方法 |
CN109754258A (zh) * | 2018-12-24 | 2019-05-14 | 同济大学 | 一种基于个体行为建模的面向线上交易欺诈检测方法 |
CN109977132A (zh) * | 2019-02-01 | 2019-07-05 | 北京工业大学 | 一种基于无监督聚类模式的学生异常行为模式分析方法 |
CN109726771A (zh) * | 2019-02-27 | 2019-05-07 | 深圳市赛梅斯凯科技有限公司 | 异常驾驶检测模型建立方法、装置及存储介质 |
US20200336502A1 (en) * | 2019-04-18 | 2020-10-22 | Oracle International Corporation | Detecting behavior anomalies of cloud users |
CN110535723A (zh) * | 2019-08-27 | 2019-12-03 | 西安交通大学 | 一种sdn中采用深度学习的消息异常检测方法 |
CN111274866A (zh) * | 2019-12-24 | 2020-06-12 | 南京邮电大学 | 一种基于子群组划分和动静特征融合的人群行为识别方法 |
CN111291707A (zh) * | 2020-02-24 | 2020-06-16 | 南京甄视智能科技有限公司 | 异常行为的识别方法、装置、存储介质及服务器 |
Non-Patent Citations (4)
Title |
---|
CHO K: "Learning phrase representations using rnn encoder-decoder for statistical machine translation" * |
李峰;: "一种基于模糊聚类方法的入侵检测研究" * |
温长吉;赵珊珊;申利未;任虹宾;: "基于局部时空模式的体育视频行为识别" * |
王垆阳;雷军;梁浩哲;张宇倩;李国辉;: "结合流形密度的聚集行为模式分割算法" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861931A (zh) * | 2021-01-21 | 2021-05-28 | 南开大学 | 一种基于差异注意力神经网络的多级别变化检测方法 |
CN112861931B (zh) * | 2021-01-21 | 2022-04-12 | 南开大学 | 一种基于差异注意力神经网络的多级别变化检测方法、系统、介质及电子设备 |
CN117407827A (zh) * | 2023-12-15 | 2024-01-16 | 湖南辉达净化工程有限公司 | 一种净化工程废气净化设备异常运行数据检测方法 |
CN117407827B (zh) * | 2023-12-15 | 2024-02-13 | 湖南辉达净化工程有限公司 | 一种净化工程废气净化设备异常运行数据检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112016701B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111309824B (zh) | 实体关系图谱显示方法及系统 | |
CN111916215B (zh) | 一种群集性/慢性疾病早期自动报警、初步特征分析与风险评估系统 | |
CN105404890A (zh) | 一种顾及轨迹时空语义的犯罪团伙判别方法 | |
CN110503531A (zh) | 时序感知的动态社交场景推荐方法 | |
CN115577114A (zh) | 一种基于时序知识图谱的事件检测方法和装置 | |
CN117078048B (zh) | 基于数字孪生的智慧城市资源管理方法及系统 | |
CN112016701B (zh) | 一种融合时序和属性行为的异常变化检测方法及系统 | |
CN114598539B (zh) | 根因定位方法、装置、存储介质及电子设备 | |
CN110322356A (zh) | 基于hin挖掘动态多模式的医保异常检测方法及系统 | |
CN110826702A (zh) | 一种多任务深度网络的异常事件检测方法 | |
Chao et al. | Population density-based hospital recommendation with mobile LBS big data | |
CN113141276A (zh) | 一种基于知识图谱的信息安全方法 | |
Demidovskij | Comparative analysis of MADM approaches: ELECTRE, TOPSIS and multi-level LDM methodology | |
CN114297516A (zh) | 一种基于知识图谱的事件发现与展现方法及系统 | |
CN116668105A (zh) | 一种结合工控安全知识图谱的攻击路径推理系统 | |
CN116450938A (zh) | 一种基于图谱的工单推荐实现方法及系统 | |
CN115514627A (zh) | 一种故障根因定位方法、装置、电子设备及可读存储介质 | |
CN115730248A (zh) | 一种机器账号检测方法、系统、设备及存储介质 | |
EP4220495A1 (en) | Task learning system and method, and related device | |
CN114385403A (zh) | 基于双层知识图谱架构的分布式协同故障诊断方法 | |
CN111078440B (zh) | 一种磁盘错误检测方法、装置及存储介质 | |
CN113706460A (zh) | 一种基于类脑神经网络模型的自闭症检测装置 | |
Wang et al. | LSTM-based alarm prediction in the mobile communication network | |
CN114491078B (zh) | 基于知识图谱的社区项目人员落脚点和同行人员分析方法 | |
Veloso et al. | MAD-STEC: a method for multiple automatic detection of space-time emerging clusters |
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 |