CN112150447B - 基于位置服务的异常数据确定方法、装置和电子设备 - Google Patents

基于位置服务的异常数据确定方法、装置和电子设备 Download PDF

Info

Publication number
CN112150447B
CN112150447B CN202011035085.9A CN202011035085A CN112150447B CN 112150447 B CN112150447 B CN 112150447B CN 202011035085 A CN202011035085 A CN 202011035085A CN 112150447 B CN112150447 B CN 112150447B
Authority
CN
China
Prior art keywords
image sequence
time period
sub
reconstruction
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.)
Active
Application number
CN202011035085.9A
Other languages
English (en)
Other versions
CN112150447A (zh
Inventor
朱文静
董衍含
苏涛
高梓尧
缪莹莹
谢梁
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.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development Co 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 Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Priority to CN202011035085.9A priority Critical patent/CN112150447B/zh
Publication of CN112150447A publication Critical patent/CN112150447A/zh
Application granted granted Critical
Publication of CN112150447B publication Critical patent/CN112150447B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine 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
    • G06N3/04—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了基于位置服务的异常数据确定方法、装置和电子设备。本发明实施例在获取用于表征预定地理区域内各子区域在多个第一时间段的同一子时间段内产生的原始业务数据的原始图像序列后，对原始图像序列进行重构，预测得到用于表征该地理区域内各子区域在同一子时间段内的预测业务数据的重构图像序列，并根据原始图像序列以及重构图像序列在多个第一时间段中确定异常时间段，并根据异常时间段的原始图像序列和重构图像序列确定异常子区域以及异常数据。本发明实施例的方法将预定地理区域产生的数据转化为图像，并通过重构的方式进行异常检测，能够较为准确地从具有时间连续性的空间分布数据中确定出异常数据。

Description

基于位置服务的异常数据确定方法、装置和电子设备
技术领域
本发明涉及数据处理方法，具体涉及一种基于位置服务的异常数据确定方法、装置和电子设备。
背景技术
随着互联网技术领域的飞速发展以及生活节奏的加快，日常生产生活中产生的数据的规模越来越庞大。数据所包含的信息量十分庞大，因此对于各行各业，对数据进行准确分析是十分有必要的。但日常生产生活中无法避免产生异常数据，因此为了对数据进行准确分析，需要从大量数据中确定出正常数据与少量异常数据，从而对异常数据与正常数据分别进行数据分析。但现有技术对于从具有时间连续性的空间分布数据中确定出异常数据的准确性不高，因此会导致后续数据分析的准确性不高。
发明内容
有鉴于此,本发明实施例的目的在于提供一种基于位置服务的异常数据确定方法、装置和电子设备，用于提升从具有时间连续性的空间分布数据中确定出异常数据的准确性。
根据本发明实施例的第一方面，提供一种基于位置服务的异常数据确定方法，所述方法包括：
获取多个第一时间段内的原始图像序列，所述原始图像序列包括多个原始图像，所述原始图像用于表征目标区域内各子区域在所述第一时间段的同一子时间段内产生的原始业务数据，所述目标区域为预定的地理区域；
以各所述原始图像序列为输入，基于预先训练的自编码器模型，获取各所述第一时间段内的目标重构图像序列，所述目标重构图像序列包括多个目标重构图像，所述目标重构图像用于表征所述目标区域内各所述子区域在所述第一时间段的同一子时间段内得到的预测业务数据；
根据各所述原始图像序列以及对应的所述目标重构图像序列确定所述目标区域在所述多个第一时间段内的异常时间段；
根据所述异常时间段对应的所述原始图像序列以及所述目标重构图像序列确定异常子区域以及异常数据。
第二方面，本发明实施例提供了一种基于位置服务的异常数据确定装置，所述装置包括：
图像序列获取单元，用于获取多个第一时间段内的原始图像序列，所述原始图像序列包括多个原始图像，所述原始图像用于表征目标区域内各子区域在所述第一时间段的同一子时间段内产生的原始业务数据，所述目标区域为预定的地理区域；
序列重构单元，用于以各所述原始图像序列为输入，基于预先训练的自编码器模型，获取各所述第一时间段内的目标重构图像序列，所述目标重构图像序列包括多个目标重构图像，所述目标重构图像用于表征所述目标区域内各所述子区域在所述第一时间段的同一子时间段内得到的预测业务数据；
异常时间段确定单元，用于根据各所述原始图像序列以及对应的所述目标重构图像序列确定所述目标区域在所述多个第一时间段内的异常时间段；
子区域及数据确定单元，用于根据所述异常时间段对应的所述原始图像序列以及所述目标重构图像序列确定异常子区域以及异常数据。
根据本发明实施例的第三方面，提供一种计算机可读存储介质，其上存储计算机程序指令，其中，所述计算机程序指令在被处理器执行时实现如第一方面所述的方法。
根据本发明实施例的第四方面，提供一种电子设备，包括存储器和处理器，其中，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如第一方面所述的方法。
本发明实施例在获取用于表征预定地理区域内各子区域在多个第一时间段的同一子时间段内产生的原始业务数据的原始图像序列后，对原始图像序列进行重构，预测得到用于表征该地理区域内各子区域在同一子时间段内的预测业务数据的重构图像序列，并根据原始图像序列以及重构图像序列在多个第一时间段中确定异常时间段，并根据异常时间段的原始图像序列和重构图像序列确定异常子区域以及异常数据。本发明实施例的方法将预定地理区域产生的数据转化为图像，并通过重构的方式进行异常检测，能够较为准确地从具有时间连续性的空间分布数据中确定出异常数据。
附图说明
通过以下参照附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：
图1是本发明第一实施例的基于位置服务的异常数据确定方法的流程图；
图2是本发明第一实施例获取目标重构图像序列的示意图；
图3是本发明第一实施例的一种可选的实现方式中确定异常时间段的流程图；
图4是本发明第一实施例的一种可选的实现方式中确定第一差异图像的示意图；
图5是本发明第一实施例的第一实施例的第一重构损失、第二重构损失的平均值以及异常参数的示意图；
图6是本发明第一实施例在异常时间段内异常子区域的显示示意图；
图7是本发明第二实施例的基于位置服务的异常数据确定装置；
图8是本发明第三实施例的电子设备的示意图。
具体实施方式
以下基于实施例对本发明进行描述，但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。
此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。
除非上下文明确要求，否则在说明书的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。
在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
随着业务类型和业务范围的不断增长，异常数据检测方法被广泛应用到各个技术领域之中，包括疾病检测、金融欺诈检测、网络入侵检测等，异常数据检测方法通常可以包括基于规则的检测方法、基于统计学的检测方法和基于机器学习的检测方法。但基于规则的检测方法需要预先设定规则，但规则由人工设定，准确性不高，且需要以较高的频率更新，对于人工成本的消耗较大。基于统计学的检测方法需要假设数据服从特定分布，对统计假设的依赖比较严重，且日常生产生活中产生的数据通常无法完全满足特定的分布形式。
现有的基于机器学习的检测方法在对具有结构化特征的数据进行异常检测时具有较高的准确性，但在对一些不仅具有结构化特征，还具有时间连续性的空间分布数据进行异常检测时，准确性不高。
图1是本发明第一实施例的基于位置服务的异常数据确定方法的流程图。如图1所示，本实施例的方法包括如下步骤：
步骤S100，获取多个第一时间段内的原始图像序列。
在本步骤中，服务器可以将预定的地理区域确定为目标区域，并在地图平面对目标区域进行等间距划分，确定目标区域对应的多个子区域。在确定多个子区域后，服务器可以分别获取各子区域在各第一时间段内的各子时间段产生的原始业务数据，并分别将各子区域在同一子时间段产生的原始业务数据转化为原始图像，从而根据同一第一时间段对应的各原始图像确定一个原始图像序列。容易理解，在本实施例中，第一时间段的时间段长度相同。
在本实施例中，目标区域需要被划分成M×N(其中，M和N均为大于1的预定整数)个大小相同且互不重叠的子区域，因此目标区域通常为方形区域，但是可选地，目标区域也可以为其他形状的区域，例如多边形区域。间距可以根据实际需求设定，例如可以根据目标区域的长度以及宽度、预定的划分精度范围等来确定。业务数据可以为共享设备(例如共享单车)数量、任务发布数量(例如，订单发起数量)等，本实施例不做具体限定。
例如，目标区域为区域A1，第一时间段包括9:00-10:00、9:05-10:05、9:10-10:10等，第一时间段内的每5分钟为一个子时间段。服务器可以在地图平面对区域A1进行等间距划分，得到区域A1对应的四个子区域，分别为子区域a1、子区域a2、子区域a3和子区域a4。然后，一第一时间段为9:00-10:00为例，服务器可以分别获取子区域a1、子区域a2、子区域a3和子区域a4在9:00-10:00内各子时间段产生的原始业务数据，并将子区域a1、子区域a2、子区域a3和子区域a4在同一子时间段内产生的原始业务数据确定为一个原始图像，并根据各原始图像对应的子时间段顺序确定区域A1在9:00-10:00第一时间段内的原始图像序列。
可选地，在将各子区域在同一子时间段产生的原始业务数据转化为原始图像的过程中，服务器还可以对原始图像进行归一化处理，具体可以包括坐标中心化、x-shearing归一化、缩放归一化和旋转归一化，使得各原始图像均具有唯一标准形式，从而可以减小仿射变换以及集合变换的影响，并加快后续自编码器模型的损失函数收敛的速度。
步骤S200，以原始图像序列为输入，基于预先训练的自编码器模型，获取第一时间段内的目标重构图像序列。
在本实施例中，自编码器模型基于LSTM(Long Short-Term Memory，长短期记忆模型)和CNN(Convolutional Neural Networks，卷积神经网络)构造，其中，LSTM构成自编码器模型的第二编码结构和第一解码结构，CNN构成自编码器模型的第一编码结构和第二解码结构。第一编码结构用于在空间维度进行编码，第二编码结构用于在时间维度进行编码，第一解码结构用于在时间维度进行解码，第二解码结构用于在空间维度进行解码。由此，服务器可以基于自编码器模型对原始图像序列中的各原始图像进行重建，获得第一时间段内的重构图像序列。
图2是本发明第一实施例获取目标重构图像序列的示意图。如图2所示，图像序列21为原始图像序列，服务器将图像序列21输入自编码器模型22后，在空间维度经过CNN编码层221(也即，第一编码结构)编码，在时间维度经过LSTM编码层222(也即，第二编码结构)编码，进而在时间维度经过LSTM解码层223(也即，第一解码结构)解码，最终在空间维度经过CNN解码层224(也即，第二解码结构)解码，从而得到对应的目标重构图像序列21’。
自编码器模型基于多个训练用图像序列训练获得。具体地，训练用图像序列包括多个训练用图像，训练用图像用于表征目标区域内各子区域在同一子时间段内产生的历史业务数据。在本实施例中，各训练用图像序列对应一个第二时间段，第二时间段的时间段长度与第一时间段的时间段长度相同，且第二时间段中子时间段的时间段长度与第一时间段中子时间段的时间段长度相同。
进一步地，若第一时间段的时间段长度为预定数量(预定数量为小于24的预定整数)个小时，则第二时间段的时间段长度同样为预定数量个小时，且第二时间段与第一时间段可以为不同日期/星期/月/年的相同时间段。例如，第一时间段为2020年7月28日早9:00-12:00，则第二时间段可以为2020年7月27日早9:00-12:00、2020年7月21日早9:00-12:00、2020年6月28日早9:00-12:00等，本实施例不做具体限定。
在自编码器模型的训练过程中，服务器可以以各训练用图像序列为自编码器模型的输入，并以该训练用图像序列为自编码器模型的训练目标对自编码器模型进行训练。也就是说，自编码器模型的输入和训练目标为同一训练用图像序列。通常训练用图像序列中不包括或仅包括较少(例如，不超过该训练用图像序列中数据量的1％)的异常数据，因此重构得到的第二差异图像序列与对应的训练用图像序列的差异通常较小，使得自编码器模型的准确性较高。
步骤S300，根据原始图像序列以及目标重构图像序列确定目标区域在第一时间段内的异常时间段。
在本步骤中，服务器可以分别根据各第一时间段对应的原始图像序列以及目标重构图像序列在多个第一时间段内确定异常时间段。图3是本发明第一实施例的一种可选的实现方式中确定异常时间段的流程图。如图3所示，在一种可选的实现方式中，步骤S300可以包括如下步骤：
步骤S310，根据各原始图像序列以及对应的目标重构图像序列确定目标区域在各第一时间段内的异常参数。
异常参数用于表征目标区域在对应的第一时间段内的异常程度。异常参数越高，目标区域在对应的第一时间段内的异常程度越高，反之越低。
进一步地，步骤S310可以包括如下步骤：
步骤S311，根据包括原始图像序列的测试用图像序列确定目标区域在各第一时间段内对应的第一重构损失。
在本步骤中，服务器可以基于自编码器模型确定各测试用图像序列对应的第一重构图像序列，并根据各测试用图像序列与对应的第一重构图像序列确定对应的第一差异图像序列。其中，第一重构图像序列包括多个重构图像，第一重构图像用于表征目标区域在对应的第一时间段的各子时间段内得到的预测业务数据；第一差异图像序列包括多个第一差异图像，第一差异图像用于表征目标区域内各子区域在同一子时间段的预测业务数据与原始业务数据的差值。以t时刻为起始的的第一差异图像Δ图(t)可以通过如下公式表示：
Δ图(t)＝重构图像(t)-原始图像(t)；
其中，重构图像(t)用于表征以t时刻为起始的第一时间段的任一子时间段对应的第一重构图像，原始图像(t)用于表征该子时间段对应的测试用图像。
容易理解，测试用图像序列包括原始图像序列，因此第一重构图像序列同样包括原始图像序列对应的目标重构图像序列，且各测试用图像序列对应的第一时间段可以为不同日期/星期/月/年的相同时间段。在本实施例的一种可选的实现方式中，统一通过测试用图像序列以及第一重构图像序列来进行说明。
更具体地，任一子时间段对应的第一差异图像可以根据该子时间段内各子区域的预测业务数据与原始业务数据的差值确定。图4是本发明第一实施例的一种可选的实现方式中确定第一差异图像的示意图。如图4所示，图像41为任一测试用图像序列中的任一测试用图像。服务器通过自编码器模型对包括图像41在内的测试用图像序列进行重构，得到对应的第一重构图像序列，图像42为该第一重构图像序列中与图像41对应于同一子时间段的第一重构图像。服务器可以确定各子区域，也即子区域a1、子区域a2、子区域a3、子区域a4、子区域a5以及子区域a6对应的、预测业务数据与原始业务数据的差值，其中，子区域a1、子区域a2、以及区域a5对应的差值为0，子区域a3对应的差值为-0.002，子区域a4对应的差值为0.0001，子区域a6对应的差值为0.001，从而根据各子区域对应的差值确定图像41对应的第一差异图像，也即图像43。
在确定各测试用图像序列对应的第一差异图像序列后，服务器可以分别根据各第一差异图像序列确定对应的测试用图像序列的第一重构成本。本实施例的各图像序列均可以看作一个三维矩阵，因此服务器可以将矩阵范数作为测试用图像序列的第一重构成本。具体地，本实施例选择2-范数作为测试用图像序列的第一重构成本。
分别确定各测试用图像序列对应的第一重构成本后，服务器可以根据各测试用图像序列对应的第一重构成本以及第一最值确定各测试用图像序列对应的第一重构损失。其中，第一最值用于表征各测试用图像序列对应的第一重构成本中的最大值以及最小值。更具体地，服务器可以分别根据各测试用图像序列对应的第一重构成本与对应时间段的全部测试用图像序列对应的第一重构成本中的最小值的差值与对应时间段的全部测试用图像序列对应的第一重构成本中的最大值的比值确定各测试用图像序列对应的归一化重构成本，然后根据归一化重构成本确定各测试用图像序列对应的第一重构损失。上述对应时间段是指与第一时间段不同日期/星期/月/年的相同时间段，也就是说，第一时间段与对应时间段均以t时刻为起始。以t时刻为起始的第一时间段对应的归一化重构成本sa(t)可以通过如下公式表示：
Figure BDA0002704814660000091
其中，src(t)用于表征以t时刻为起始的第一时间段的测试用图像序列对应的第一重构成本，src(t)min用于表征以t时刻为起始的各对应时间段的全部测试用图像序列对应的第一重构成本中的最小值，src(t)max用于表征以t时刻为起始的各对应时间段的全部测试用图像序列对应的第一重构成本中的最大值。以t时刻为起始的第一时间段对应的第一重构损失sr(t)可以通过如下公式表示：
sr(t)＝1-sa(t)。
例如，测试用图像序列包括图像序列L1、图像序列L2和图像序列L3，其中，图像序列L1对应的第一时间段为2020年7月28日早9:00-12:00，其中，图像序列L2对应的第一历史时间段为2020年6月28日早9:00-12:00，图像序列L3对应的第一历史时间段为2020年5月28日早9:00-12:00。服务器在确定图像序列L1对应的第一重构损失时，可以首先获取图像序列L1对应的第一重构成本
Figure BDA0002704814660000092
图像序列L2对应的第一重构成本
Figure BDA0002704814660000093
以及图像序列L3对应的第一重构成本
Figure BDA0002704814660000094
然后确定第一重构成本中的最小值，也即
Figure BDA0002704814660000095
和第一重构成本中的最大值，也即
Figure BDA0002704814660000096
然后确定图像序列L1对应的归一化重构成本
Figure BDA0002704814660000097
为
Figure BDA0002704814660000098
进而确定图像序列L1对应的第一重构损失
Figure BDA00027048146600000910
为
Figure BDA0002704814660000099
步骤S312，根据训练用图像序列确定目标区域在各第二时间段内对应的第二重构损失。
类似地，服务器也可以通过上述方式确定各训练用图像序列对应的第二重构误差。也就是说，服务器可以基于自编码器模型确定各训练用图像序列对应的第二重构图像序列，并根据各训练用图像序列与对应的第二重构图像序列确定对应的第二差异图像序列，进而根据各第二差异图像序列确定对应的训练用图像序列的第二重构成本，从而根据各训练用图像序列对应的第二重构成本以及第二差值确定对应的第二重构损失。其中，第二重构图像序列包括多个第二重构图像，且第二重构图像用于表征目标区域内各子区域在第二时间段的同一子时间段内得到的历史预测业务数据；第二差异图像序列包括多个第二差异图像，且第二差异图像用于表征目标区域内各子区域在第二时间段的同一子时间段的历史预测业务数据与历史业务数据的差值。
步骤S313，根据各第一重构损失和与对应的第二重构损失确定各第一时间段内的异常参数。
在确定各测试用图像序列对应的第一重构损失以及各训练用图像序列对应的第二重构损失后，服务器可以根据各第一重构损失与对应的第二重构损失确定目标区域在各第一时间段内的异常参数。
在本步骤中，服务器可以根据第二重构损失和对应的第一重构损失确定第一差值，并根据第一差值与第二重构损失的比值确定各子时间段内的异常参数。
具体地，服务器可以分别根据以各时刻为起始的各第二时间段的第二重构损失确定以各时刻为起始的第二时间段的平均重构损失，然后分别计算各第一时间段的第一重构损失与对应的第二时间段的平均重构损失的第一差值，并计算第一差值与平均重构损失的比值从而确定各第一时间段内的异常参数。以t时刻为起始的第一时间段的异常参数par(t)可以通过如下公式表示：
Figure BDA0002704814660000101
其中，
Figure BDA0002704814660000102
用于表征以t时刻为起始的第一时间段的第一重构损失，
Figure BDA0002704814660000103
用于表征以t时刻为起始的第二时间段的第二重构损失的平均值。
例如，目标区域在2020年7月28日早9:00-10:00(也即，第一时间段)对应的第一重构损失为0.8，在2020年6月28日-2020年7月27日早9:00-10:00(也即，第二时间段)对应的第二重构损失的平均值为0.75，则服务器可以确定目标区域在2020年7月28日早9:0010:00对应的异常参数为(0.8-0.75)/0.75＝0.07(取小数点后两位)。
步骤S320，将异常参数满足预定异常条件的第一时间段确定为异常时间段。
在本实施例的一种可选的实现方式中，预定异常条件可以被设置为异常参数大于第一阈值、异常参数排序在最大的前n(n为大于等于1的预定整数)位、异常参数大于第一阈值且排序在最大的前n位等，本实施例不做具体限定。本实施例的异常参数的取值范围在0至1之间，因此第一阈值也被设置在0至1之间，例如0.5等。
图5是本发明第一实施例的第一实施例的第一重构损失、第二重构损失的平均值以及异常参数的示意图。如图5所示，51为目标区域在7:00-11:30的各子时间段对应的第一重构损失以及第二重构损失的平均值的示意图，第一重构损失以及第二重构损失的平均值大致分布在0.8至1之间。其中，曲线L1为目标区域在以各时刻(例如，7:00、7:05等)为起始的第一时间段对应的第一重构损失的曲线，曲线L2为目标区域在以各时刻为起始的第二时间段对应的第二重构损失的平均值的曲线。服务器在得到曲线L1以及曲线L2后，可以根据曲线L1以及曲线L2后得到目标区域在7:00-11:30以各时刻为起始的第一时间段对应的异常参数的示意图，异常参数大致分布在0％至20％之间。曲线L3为目标区域在以各时刻为起始的第一时间段对应的异常参数的曲线。预定异常条件被设置为异常参数大于10％，服务器可以获取预定异常条件，并将p1、p2和p3对应的子时间段确定为异常子时间段。
步骤S400，根据异常时间段对应的原始图像序列以及目标重构图像序列确定异常子区域以及异常数据。
在本步骤中，对于各异常时间段，服务器可以根据该异常时间段对应的原始图像序列以及目标重构图像序列确定对应的目标差异图像序列。目标差异图像序列包括多个目标差异图像，目标差异图像用于表征目标区域内各子区域在对应的第一时间段的同一子时间段内产生的预测业务数据与原始业务数据的第二差值。然后，服务器可以将第二差值的平均值满足预定差值条件的子区域确定为异常子区域，并将异常子区域在该异常时间段内产生的原始业务数据确定为异常数据。
容易理解，若在本实施例中对原始图像序列中的各原始图像进行了归一化，则第二差值实际为归一化的原始业务数据与归一化的预测业务数据的差值，服务器可以在确定异常子区域后，获取异常子区域在异常时间段内产生的原始业务数据，并将该原始业务数据确定为异常数据；若在本实施例中未对原始图像序列中的各原始图像进行归一化，则第二差值为原始业务数据与预测业务数据的差值，服务器可以在确定异常子区域后，直接将该异常时间段对应的原始图像中该异常子区域产生的原始业务数据确定为异常数据。
在本实施例中，预定差值条件可以被设置为第二差值(或第二差值的绝对值，下同)的平均值(或者第二差值的和，下同)大于第二阈值、第二差值的绝对值的平均值排序在最大的前m(m为大于等于1的预定整数)位、第二差值的平均值大于第二阈值且排序在最大的前m位等，本实施例不做具体限定。
以图4所示的图像为例进行说明。图像41为目标区域在任一异常时间段的子时间段内对应的原始图像，图像42为目标区域在该子时间段内对应的目标重构图像，图像43为目标区域在该异常子时间段内对应的目标差异图像。预定异常条件被设置为各子时间段的第二差值的绝对值的均值大于0.005。由于图像41进行了归一化，服务器在根据目标区域在该异常时间段的各子时间段内对应的第二差值确定目标区域在该异常时间段内的第二差值的和，并根据预定异常条件将子区域a6确定为异常子区域后，可以将子区域a6在该异常时间段内产生的原始业务数据确定为异常数据。
可选地，在确定异常时间段、异常子区域和异常数据后，本实施例的方法还可以包括如下步骤：
步骤S500，向预定终端发送异常信息集合。
在本步骤中，服务器可以向预定终端发送异常信息集合，以使得预定终端可以通过各种方式在地图页面对异常信息集合进行显示。异常信息集合可以包括异常子区域、对应的异常时间段以及异常数据中的至少一项。
例如，服务器可以同时将各异常时间段对应的异常子区域以及异常数据的至少一项以不同的颜色进行显示，或者分别将各异常时间段对应的异常子区域以及异常数据中的至少一项进行高亮标记等，本实施例不做具体限定。
图6是本发明第一实施例在异常时间段内异常子区域的显示示意图。如图6所示，区域61为地区页面内显示的目标区域。终端可以根据异常信息集合在区域61内显示异常时间段内对应的异常子区域，也即，9:00-10:00对应的子区域611以及9:35-10:35对应的子区域612。
本实施例在获取用于表征预定地理区域内各子区域在多个第一时间段的同一子时间段内产生的原始业务数据的原始图像序列后，对原始图像序列进行重构，预测得到用于表征该地理区域内各子区域在同一子时间段内的预测业务数据的重构图像序列，并根据原始图像序列以及重构图像序列在多个第一时间段中确定异常时间段，并根据异常时间段的原始图像序列和重构图像序列确定异常子区域以及异常数据。本实施例的方法将预定地理区域产生的数据转化为图像，并通过重构的方式进行异常检测，能够较为准确地从具有时间连续性的空间分布数据中确定出异常数据。
图7是本发明第二实施例的基于位置服务的异常数据确定装置。如图7所示，本实施例的装置包括图像序列获取单元71、序列重构单元72、子时间段确定单元73和子区域及数据确定单元74。
其中，图像序列获取单元71用于获取多个目标时间段内的原始图像序列，所述原始图像序列包括多个原始图像，所述原始图像用于表征目标区域内各子区域在所述目标时间段的同一子时间段内产生的原始业务数据，所述目标区域为预定的地理区域。序列重构单元72用于以各所述原始图像序列为输入，基于预先训练的自编码器模型，获取各所述目标时间段内的目标重构图像序列，所述目标重构图像序列包括多个目标重构图像，所述目标重构图像用于表征所述目标区域内各所述子区域在所述目标时间段的同一子时间段内得到的预测业务数据。异常时间段确定单元73用于根据各所述原始图像序列以及对应的所述目标重构图像序列确定所述目标区域在所述多个目标时间段内的异常时间段。子区域及数据确定单元74用于根据所述异常时间段对应的所述原始图像序列以及所述目标重构图像序列确定异常子区域以及异常数据。
进一步地，所述图像序列获取单元71包括区域划分子单元、数据获取子单元、图像获取子单元和序列确定子单元。
其中，区域划分子单元用于在地图平面对所述目标区域进行等间距划分，确定所述目标区域对应的多个所述子区域。数据获取子单元用于获取各所述子区域在同一目标时间段的各所述子时间段内产生的所述原始业务数据。图像获取子单元用于根据各所述子区域的位置关系，将同一目标时间段的各所述子时间段内产生的多个所述原始业务数据转化为所述原始图像。序列确定子单元用于根据同一目标时间段的各所述原始图像确定一个所述原始图像序列。。
进一步地，所述子时间段确定单元73包括参数确定子单元和异常时间段确定子单元。
其中，参数确定子单元用于根据各所述原始图像序列以及对应的所述目标重构图像序列确定所述目标区域在各所述目标时间段内的异常参数，所述异常参数用于表征所述目标区域在对应的所述目标时间段内的异常程度。异常时间段确定子单元用于将所述异常参数满足预定异常条件的所述目标时间段为所述异常时间段。
进一步地，所述参数确定子单元包括第一损失确定模块、第二损失确定模块和参数确定模块。
其中，第一损失确定模块用于根据包括所述原始图像序列的测试用图像序列确定所述目标区域在各所述目标时间段内对应的第一重构损失。第二损失确定模块用于根据训练用图像序列确定所述目标区域在各所述历史时间段内对应的第二重构损失。参数确定模块用于根据各所述第一重构损失和与对应的所述第二重构损失确定各所述目标时间段内的所述异常参数。
进一步地，所述第一损失确定模块包括第一重构子模块、第一差异确定子模块、第一成本确定子模块和第一损失确定子模块。
其中，第一重构子模块用于基于所述自编码器模型确定各所述测试用图像序列对应的第一重构图像序列，所述第一重构图像序列包括多个第一重构图像，所述第一重构图像用于表征所述目标区域内各子区域在同一子时间段内得到的预测业务数据。第一差异确定子模块用于根据各所述测试用图像序列与对应的所述第一重构图像序列确定对应的第一差异图像序列，所述第一差异图像序列包括多个第一差异图像，所述第一差异图像用于表征所述目标区域内各子区域在同一子时间段的预测业务数据与原始业务数据的差值。第一成本确定子模块用于对于各所述测试用图像序列，根据对应的所述第一差异图像序列确定第一重构成本。第一损失确定子模块用于对于各所述测试用图像序列，根据对应的所述第一重构成本以及第一最值确定对应的所述第一重构损失，所述第一最值用于表征所述第一重构成本中的最大值以及最小值。
所述第二损失确定模块包括第二重构子模块、第二差异确定子模块、第二成本确定子模块和第二损失确定子模块。
其中，第二重构子模块用于基于所述自编码器模型确定各所述训练用图像序列对应的第二重构图像序列，所述第二重构图像序列包括多个第二重构图像，所述第二重构图像用于表征所述目标区域内各子区域在同一子时间段内得到的历史预测业务数据。第二差异确定子模块用于根据各所述训练用图像序列与对应的所述第二重构图像序列确定对应的第二差异图像序列，所述第二差异图像序列包括多个第二差异图像，所述第二差异图像用于表征所述目标区域内各子区域在同一子时间段的历史预测业务数据与历史业务数据的差值。第二成本确定子模块用于对于各所述训练用图像序列，根据对应的所述第二差异图像序列确定第二重构成本。第二损失确定子模块用于对于各所述训练用图像，根据对于各所述训练用图像序列，根据对应的所述第二重构成本以及第二最值确定对应的所述第二重构损失，所述第二最值用于表征所述第二重构成本中的最大值以及最小值。
进一步地，所述参数确定模块包括第一差值确定子模块和参数确定子模块。
其中，第一差值确定子模块用于根据所述第一重构损失与对应的所述第二重构损失确定第一差值。参数确定子模块用于根据所述第一差值与所述第二重构损失的比值确定所述异常参数。
进一步地，所述子区域及数据确定单元74包括差异图像确定子单元、子区域确定子单元和数据确定子单元。
其中，差异图像确定子单元用于对于所述异常时间段，根据对应的所述原始图像序列以及所述目标重构图像序列确定对应的目标差异图像序列，所述目标差异图像序列包括多个目标差异图像，所述目标差异图像用于表征目标区域内各子区域在所述目标时间段的同一子时间段内产生的原始业务数据与预测业务数据的第二差值。子区域确定子单元用于将所述第二差值满足预定差值条件的所述子区域确定为所述异常子区域。数据确定子单元用于将所述异常子区域在所述异常时间段内产生的所述原始业务数据确定为所述异常数据。
进一步地，所述自编码器模型包括第一编码结构，第二编码结构、第一解码结构和第二解码结构，所述第一编码结构用于在空间维度进行编码，所述第二编码结构用于在时间维度进行编码，所述第一解码结构用于在时间维度进行解码，所述第二解码结构用于在空间维度进行解码。
进一步地，所述自编码器模型基于多个训练用图像序列训练获得，所述训练用图像序列包括多个训练用图像，所述训练用图像用于表征所述目标区域内各子区域在同一子时间段内产生的历史业务数据。
进一步地，所述装置还包括发送单元75。
其中，发送单元75用于向预定终端发送异常信息集合，以使得所述预定终端在地图页面对所述异常信息集合进行显示，所述异常信息集合包括所述异常子区域、对应的所述异常时间段以及所述异常数据中的至少一项。
本实施例在获取用于表征预定地理区域内各子区域在多个第一时间段的同一子时间段内产生的原始业务数据的原始图像序列后，对原始图像序列进行重构，预测得到用于表征该地理区域内各子区域在同一子时间段内的预测业务数据的重构图像序列，并根据原始图像序列以及重构图像序列在多个第一时间段中确定异常时间段，并根据异常时间段的原始图像序列和重构图像序列确定异常子区域以及异常数据。本实施例的装置将预定地理区域产生的数据转化为图像，并通过重构的方式进行异常检测，能够较为准确地从具有时间连续性的空间分布数据中确定出异常数据。
图8是本发明第三实施例的电子设备的示意图。图8所示的电子设备为通用数据处理装置，其包括通用的计算机硬件结构，其至少包括处理器81和存储器82。处理器81和存储器82通过总线83连接。存储器82适于存储处理器81可执行的指令或程序。处理器81可以是独立的微处理器，也可以是一个或者多个微处理器集合。由此，处理器81通过执行存储器82所存储的命令，从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其他装置的控制。总线83将上述多个组件连接在一起，同时将上述组件连接到显示控制器84和显示装置以及输入/输出(I/O)装置85。输入/输出(I/O)装置85可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地，输入/输出(I/O)装置85通过输入/输出(I/O)控制器86与系统相连。
其中，存储器82可以存储软件组件，例如操作系统、通信模块、交互模块以及应用程序。以上所述的每个模块和应用程序都对应于完成一个或多个功能和在发明实施例中描述的方法的一组可执行程序指令。
上述根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应理解，流程图和/或框图的每个块以及流程图图例和/或框图中的块的组合可以由计算机程序指令来实现。这些计算机程序指令可以被提供至通用计算机、专用计算机或其它可编程数据处理设备的处理器，以产生机器，使得(经由计算机或其它可编程数据处理设备的处理器执行的)指令创建用于实现流程图和/或框图块或块中指定的功能/动作的装置。
同时，如本领域技术人员将意识到的，本发明实施例的各个方面可以被实现为系统、方法或计算机程序产品。因此，本发明实施例的各个方面可以采取如下形式：完全硬件实施方式、完全软件实施方式(包括固件、常驻软件、微代码等)或者在本文中通常可以都称为“电路”、“模块”或“系统”的将软件方面与硬件方面相结合的实施方式。此外，本发明的方面可以采取如下形式：在一个或多个计算机可读介质中实现的计算机程序产品，计算机可读介质具有在其上实现的计算机可读程序代码。
可以利用一个或多个计算机可读介质的任意组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读存储介质可以是如(但不限于)电子的、磁的、光学的、电磁的、红外的或半导体系统、设备或装置，或者前述的任意适当的组合。计算机可读存储介质的更具体的示例(非穷尽列举)将包括以下各项：具有一根或多根电线的电气连接、便携式计算机软盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪速存储器)、光纤、便携式光盘只读存储器(CD-ROM)、光存储装置、磁存储装置或前述的任意适当的组合。在本发明实施例的上下文中，计算机可读存储介质可以为能够包含或存储由指令执行系统、设备或装置使用的程序或结合指令执行系统、设备或装置使用的程序的任意有形介质。
计算机可读信号介质可以包括传播的数据信号，所述传播的数据信号具有在其中如在基带中或作为载波的一部分实现的计算机可读程序代码。这样的传播的信号可以采用多种形式中的任何形式，包括但不限于：电磁的、光学的或其任何适当的组合。计算机可读信号介质可以是以下任意计算机可读介质：不是计算机可读存储介质，并且可以对由指令执行系统、设备或装置使用的或结合指令执行系统、设备或装置使用的程序进行通信、传播或传输。
用于执行针对本发明各方面的操作的计算机程序代码可以以一种或多种编程语言的任意组合来编写，所述编程语言包括：面向对象的编程语言如Java、Smalltalk、C++、PHP、Python等；以及常规过程编程语言如“C”编程语言或类似的编程语言。程序代码可以作为独立软件包完全地在用户计算机上、部分地在用户计算机上执行；部分地在用户计算机上且部分地在远程计算机上执行；或者完全地在远程计算机或服务器上执行。在后一种情况下，可以将远程计算机通过包括局域网(LAN)或广域网(WAN)的任意类型的网络连接至用户计算机，或者可以与外部计算机进行连接(例如通过使用因特网服务供应商的因特网)。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (22)

1.一种基于位置服务的异常数据确定方法，其特征在于，所述方法包括：
获取多个第一时间段内的原始图像序列，所述原始图像序列包括多个原始图像，所述原始图像用于表征目标区域内各子区域在所述第一时间段的同一子时间段内产生的原始业务数据，所述目标区域为预定的地理区域；
以各所述原始图像序列为输入，基于预先训练的自编码器模型，获取各所述第一时间段内的目标重构图像序列，所述目标重构图像序列包括多个目标重构图像，所述目标重构图像用于表征所述目标区域内各所述子区域在所述第一时间段的同一子时间段内得到的预测业务数据；
根据各所述原始图像序列以及对应的所述目标重构图像序列确定所述目标区域在所述多个第一时间段内的异常时间段；
根据所述异常时间段对应的所述原始图像序列以及所述目标重构图像序列确定异常子区域以及异常数据。
2.根据权利要求1所述的方法，其特征在于，所述获取多个第一时间段内的原始图像序列包括：
在地图平面对所述目标区域进行等间距划分，确定所述目标区域对应的多个所述子区域；
获取各所述子区域在同一第一时间段的各所述子时间段内产生的所述原始业务数据；
根据各所述子区域的位置关系，将同一子时间段内产生的多个所述原始业务数据转化为对应子时间段的所述原始图像；
根据同一第一时间段的各所述原始图像确定一个所述原始图像序列。
3.根据权利要求1所述的方法，其特征在于，所述根据各所述原始图像序列以及对应的所述目标重构图像序列确定所述目标区域在所述多个第一时间段内的异常时间段包括：
根据各所述原始图像序列以及对应的所述目标重构图像序列确定所述目标区域在各所述第一时间段内的异常参数，所述异常参数用于表征所述目标区域在对应的所述第一时间段内的异常程度；
将所述异常参数满足预定异常条件的所述第一时间段确定为所述异常时间段。
4.根据权利要求3所述的方法，其特征在于，所述根据各所述原始图像以及对应的所述重构图像序列确定所述目标区域在各所述第一时间段内的异常参数包括：
根据包括所述原始图像序列的测试用图像序列确定所述目标区域在各所述第一时间段内对应的第一重构损失；
根据训练用图像序列确定所述目标区域在各第二时间段内对应的第二重构损失，所述第二时间段的时间段长度与所述第一时间段的时间段长度相同，且所述第二时间段中各子时间段的时间段长度与所述第一时间段中各子时间段的时间段长度相同；
根据各所述第一重构损失和与对应的所述第二重构损失确定各所述第一时间段内的所述异常参数。
5.根据权利要求4所述的方法，其特征在于，所述根据包括所述原始图像序列的测试用图像序列确定所述目标区域在各所述第一时间段内对应的第一重构损失包括：
基于所述自编码器模型确定各所述测试用图像序列对应的第一重构图像序列，所述第一重构图像序列包括多个第一重构图像，所述第一重构图像用于表征所述目标区域内各子区域在同一子时间段内得到的预测业务数据；
根据各所述测试用图像序列与对应的所述第一重构图像序列确定对应的第一差异图像序列，所述第一差异图像序列包括多个第一差异图像，所述第一差异图像用于表征所述目标区域内各子区域在同一子时间段的预测业务数据与原始业务数据的差值；
对于各所述测试用图像序列，根据对应的所述第一差异图像序列确定第一重构成本；
对于各所述测试用图像序列，根据对应的所述第一重构成本以及第一最值确定对应的所述第一重构损失，所述第一最值用于表征所述第一重构成本中的最大值以及最小值；
所述根据训练用图像序列确定所述目标区域在各所述第二时间段内对应的第二重构损失包括：
基于所述自编码器模型确定各所述训练用图像序列对应的第二重构图像序列，所述第二重构图像序列包括多个第二重构图像，所述第二重构图像用于表征所述目标区域内各子区域在同一时间段内得到的历史预测业务数据；
根据各所述训练用图像序列与对应的所述第二重构图像序列确定对应的第二差异图像序列，所述第二差异图像序列包括多个第二差异图像，所述第二差异图像用于表征所述目标区域内各子区域在同一子时间段的历史预测业务数据与历史业务数据的差值；
对于各所述训练用图像序列，根据对应的所述第二差异图像序列确定第二重构成本；
对于各所述训练用图像序列，根据对应的所述第二重构成本以及第二最值确定对应的所述第二重构损失，所述第二最值用于表征所述第二重构成本中的最大值以及最小值。
6.根据权利要求4所述的方法，其特征在于，所述根据各所述第一重构损失和与对应的所述第二重构损失确定各所述第一时间段内的所述异常参数包括：
根据所述第一重构损失与对应的所述第二重构损失确定第一差值；
根据所述第一差值与所述第二重构损失的比值确定所述异常参数。
7.根据权利要求1所述的方法，其特征在于，所述根据所述异常时间段对应的所述原始图像以及所述目标重构图像确定异常子区域以及异常数据包括：
对于所述异常时间段，根据对应的所述原始图像序列以及所述目标重构图像序列确定对应的目标差异图像序列，所述目标差异图像序列包括多个目标差异图像，所述目标差异图像用于表征目标区域内各子区域在所述第一时间段的同一子时间段内产生的原始业务数据与预测业务数据的第二差值；
将所述第二差值满足预定差值条件的所述子区域确定为所述异常子区域；
将所述异常子区域在所述异常时间段内产生的所述原始业务数据确定为所述异常数据。
8.根据权利要求1所述的方法，其特征在于，所述自编码器模型包括第一编码结构，第二编码结构、第一解码结构和第二解码结构，所述第一编码结构用于在空间维度进行编码，所述第二编码结构用于在时间维度进行编码，所述第一解码结构用于在时间维度进行解码，所述第二解码结构用于在空间维度进行解码。
9.根据权利要求1所述的方法，其特征在于，所述自编码器模型基于多个训练用图像序列训练获得，所述训练用图像序列包括多个训练用图像，所述训练用图像用于表征所述目标区域内各子区域在同一子时间段内产生的历史业务数据。
10.根据权利要求1所述的方法，其特征在于，所述方法还包括：
向预定终端发送异常信息集合，以使得所述预定终端在地图页面对所述异常信息集合进行显示，所述异常信息集合包括所述异常子区域、对应的所述异常时间段以及所述异常数据中的至少一项。
11.一种基于位置服务的异常数据确定装置，其特征在于，所述装置包括：
图像序列获取单元，用于获取多个第一时间段内的原始图像序列，所述原始图像序列包括多个原始图像，所述原始图像用于表征目标区域内各子区域在所述第一时间段的同一子时间段内产生的原始业务数据，所述目标区域为预定的地理区域；
序列重构单元，用于以各所述原始图像序列为输入，基于预先训练的自编码器模型，获取各所述第一时间段内的目标重构图像序列，所述目标重构图像序列包括多个目标重构图像，所述目标重构图像用于表征所述目标区域内各所述子区域在所述第一时间段的同一子时间段内得到的预测业务数据；
子时间段确定单元，用于根据各所述原始图像序列以及对应的所述目标重构图像序列确定所述目标区域在所述多个第一时间段内的异常时间段；
子区域及数据确定单元，用于根据所述异常时间段对应的所述原始图像序列以及所述目标重构图像序列确定异常子区域以及异常数据。
12.根据权利要求11所述的装置，其特征在于，所述图像序列获取单元包括：
区域划分子单元，用于在地图平面对所述目标区域进行等间距划分，确定所述目标区域对应的多个所述子区域；
数据获取子单元，用于获取各所述子区域在同一第一时间段的各所述子时间段内产生的所述原始业务数据；
图像获取子单元，用于根据各所述子区域的位置关系，将同一子时间段内产生的多个所述原始业务数据转化为对应子时间段的所述原始图像；
序列确定子单元，用于根据同一第一时间段的各所述原始图像确定一个所述原始图像序列。
13.根据权利要求11所述的装置，其特征在于，所述子时间段确定单元包括：
参数确定子单元，用于根据各所述原始图像序列以及对应的所述目标重构图像序列确定所述目标区域在各所述第一时间段内的异常参数，所述异常参数用于表征所述目标区域在对应的所述第一时间段内的异常程度；
异常时间段确定子单元，用于将所述异常参数满足预定异常条件的所述第一时间段确定为所述异常时间段。
14.根据权利要求13所述的装置，其特征在于，所述参数确定子单元包括：
第一损失确定模块，用于根据包括所述原始图像序列的测试用图像序列确定所述目标区域在各所述第一时间段内对应的第一重构损失；
第二损失确定模块，用于根据训练用图像序列确定所述目标区域在各第二时间段内对应的第二重构损失，所述第二时间段的时间段长度与所述第一时间段的时间段长度相同，且所述第二时间段中各子时间段的时间段长度与所述第一时间段中各子时间段的时间段长度相同；
参数确定模块，用于根据各所述第一重构损失和与对应的所述第二重构损失确定各所述第一时间段内的所述异常参数。
15.根据权利要求14所述的装置，其特征在于，所述第一损失确定模块包括：
第一重构子模块，用于基于所述自编码器模型确定各所述测试用图像序列对应的第一重构图像序列，所述第一重构图像序列包括多个第一重构图像，所述第一重构图像用于表征所述目标区域内各子区域在同一子时间段内得到的预测业务数据；
第一差异确定子模块，用于根据各所述测试用图像序列与对应的所述第一重构图像序列确定对应的第一差异图像序列，所述第一差异图像序列包括多个第一差异图像，所述第一差异图像用于表征所述目标区域内各子区域在同一子时间段的预测业务数据与原始业务数据的差值；
第一成本确定子模块，用于对于各所述测试用图像序列，根据对应的所述第一差异图像序列确定第一重构成本；
第一损失确定子模块，用于对于各所述测试用图像序列，根据对应的所述第一重构成本以及第一最值确定对应的所述第一重构损失，所述第一最值用于表征所述第一重构成本中的最大值以及最小值；
所述第二损失确定模块包括：
第二重构子模块，用于基于所述自编码器模型确定各所述训练用图像序列对应的第二重构图像序列，所述第二重构图像序列包括多个第二重构图像，所述第二重构图像用于表征所述目标区域内各子区域在同一子时间段内得到的历史预测业务数据；
第二差异确定子模块，用于根据各所述训练用图像序列与对应的所述第二重构图像序列确定对应的第二差异图像序列，所述第二差异图像序列包括多个第二差异图像，所述第二差异图像用于表征所述目标区域内各子区域在同一子时间段的历史预测业务数据与历史业务数据的差值；
第二成本确定子模块，用于对于各所述训练用图像序列，根据对应的所述第二差异图像序列确定第二重构成本；
第二损失确定子模块，用于对于各所述训练用图像，根据对于各所述训练用图像序列，根据对应的所述第二重构成本以及第二最值确定对应的所述第二重构损失，所述第二最值用于表征所述第二重构成本中的最大值以及最小值。
16.根据权利要求14所述的装置，其特征在于，所述参数确定模块包括：
第一差值确定子模块，用于根据所述第一重构损失与对应的所述第二重构损失确定第一差值；
参数确定子模块，用于根据所述第一差值与所述第二重构损失的比值确定所述异常参数。
17.根据权利要求11所述的装置，其特征在于，所述子区域及数据确定单元包括：
差异图像确定子单元，用于对于所述异常时间段，根据对应的所述原始图像序列以及所述目标重构图像序列确定对应的目标差异图像序列，所述目标差异图像序列包括多个目标差异图像，所述目标差异图像用于表征目标区域内各子区域在所述第一时间段的同一子时间段内产生的原始业务数据与预测业务数据的第二差值；
子区域确定子单元，用于将所述第二差值满足预定差值条件的所述子区域确定为所述异常子区域；
数据确定子单元，用于将所述异常子区域在所述异常时间段内产生的所述原始业务数据确定为所述异常数据。
18.根据权利要求11所述的装置，其特征在于，所述自编码器模型包括第一编码结构，第二编码结构、第一解码结构和第二解码结构，所述第一编码结构用于在空间维度进行编码，所述第二编码结构用于在时间维度进行编码，所述第一解码结构用于在时间维度进行解码，所述第二解码结构用于在空间维度进行解码。
19.根据权利要求11所述的装置，其特征在于，所述自编码器模型基于多个训练用图像序列训练获得，所述训练用图像序列包括多个训练用图像，所述训练用图像用于表征所述目标区域内各子区域在同一子时间段内产生的历史业务数据。
20.根据权利要求11所述的装置，其特征在于，所述装置还包括：
发送单元，用于向预定终端发送异常信息集合，以使得所述预定终端在地图页面对所述异常信息集合进行显示，所述异常信息集合包括所述异常子区域、对应的所述异常时间段以及所述异常数据中的至少一项。
21.一种计算机可读存储介质，其上存储计算机程序指令，其特征在于，所述计算机程序指令在被处理器执行时实现如权利要求1-10中任一项所述的方法。
22.一种电子设备，包括存储器和处理器，其特征在于，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-10中任一项所述的方法。
CN202011035085.9A 2020-09-27 2020-09-27 基于位置服务的异常数据确定方法、装置和电子设备 Active CN112150447B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011035085.9A CN112150447B (zh) 2020-09-27 2020-09-27 基于位置服务的异常数据确定方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011035085.9A CN112150447B (zh) 2020-09-27 2020-09-27 基于位置服务的异常数据确定方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN112150447A CN112150447A (zh) 2020-12-29
CN112150447B true CN112150447B (zh) 2021-10-15

Family

ID=73894682

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011035085.9A Active CN112150447B (zh) 2020-09-27 2020-09-27 基于位置服务的异常数据确定方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN112150447B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113872806B (zh) * 2021-09-26 2024-05-17 中国电信股份有限公司 网络数据异常告警方法、装置、电子设备及存储介质
CN118095797B (zh) * 2024-04-24 2024-07-23 北京嘀嘀无限科技发展有限公司 用于需求预测的方法、装置、介质和产品

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106709447A (zh) * 2016-12-21 2017-05-24 华南理工大学 基于目标定位与特征融合的视频中异常行为检测方法
US10432653B2 (en) * 2017-07-28 2019-10-01 Penta Security Systems Inc. Method and apparatus for detecting anomaly traffic
CN111260620A (zh) * 2020-01-14 2020-06-09 三峡大学 图像异常检测方法、装置和电子设备
CN111598881A (zh) * 2020-05-19 2020-08-28 西安电子科技大学 基于变分自编码器的图像异常检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106709447A (zh) * 2016-12-21 2017-05-24 华南理工大学 基于目标定位与特征融合的视频中异常行为检测方法
US10432653B2 (en) * 2017-07-28 2019-10-01 Penta Security Systems Inc. Method and apparatus for detecting anomaly traffic
CN111260620A (zh) * 2020-01-14 2020-06-09 三峡大学 图像异常检测方法、装置和电子设备
CN111598881A (zh) * 2020-05-19 2020-08-28 西安电子科技大学 基于变分自编码器的图像异常检测方法

Also Published As

Publication number Publication date
CN112150447A (zh) 2020-12-29

Similar Documents

Publication Publication Date Title
US11163991B2 (en) Method and apparatus for detecting body
US10713491B2 (en) Object detection using spatio-temporal feature maps
CN111046027B (zh) 时间序列数据的缺失值填充方法和装置
US10936807B1 (en) Systems and methods for displaying effects of code changes
CN108880931B (zh) 用于输出信息的方法和装置
US20220262032A1 (en) Systems and Methods for Geolocation Prediction
CN112150447B (zh) 基于位置服务的异常数据确定方法、装置和电子设备
CN109543909B (zh) 车辆案件数量的预测方法、装置和计算机设备
CN111814910B (zh) 异常检测方法、装置、电子设备及存储介质
CN110149238B (zh) 用于预测流量的方法和装置
CN108510084B (zh) 用于生成信息的方法和装置
CN115082920B (zh) 深度学习模型的训练方法、图像处理方法和装置
US20230076437A1 (en) Autoregressive neural networks for the generation of polygonal meshes of 3d objects
CN113808267A (zh) 一种基于gis地图的社区三维展示方法及系统
CN112486338B (zh) 医疗信息处理方法、装置及电子设备
CN113554068B (zh) 一种实例分割数据集的半自动标注方法、装置及可读介质
CN113516697B (zh) 图像配准的方法、装置、电子设备及计算机可读存储介质
CN114218505A (zh) 一种异常时空点的识别方法、装置、电子设备及存储介质
CN112632469A (zh) 业务交易数据的异常检测方法、装置及计算机设备
CN113361380A (zh) 人体关键点检测模型训练方法、检测方法及装置
CN111027387A (zh) 人数评估及评估模型获取方法、装置及存储介质
CN111382689A (zh) 一种利用计算机在线学习的打卡系统及方法
CN113920381B (zh) 重复派生指标识别方法、电子设备及可读存储介质
CN115563810A (zh) 丝杆寿命预测方法、装置、电子设备及可读存储介质
CN112116167A (zh) 数据处理方法、数据处理装置、存储介质和电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant