CN113110972A - 一种时序数据异常检测方法、装置及介质 - Google Patents

一种时序数据异常检测方法、装置及介质 Download PDF

Info

Publication number
CN113110972A
CN113110972A CN202110404951.5A CN202110404951A CN113110972A CN 113110972 A CN113110972 A CN 113110972A CN 202110404951 A CN202110404951 A CN 202110404951A CN 113110972 A CN113110972 A CN 113110972A
Authority
CN
China
Prior art keywords
performance data
data
sequence
time series
unit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110404951.5A
Other languages
English (en)
Inventor
苏海明
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.)
Shandong Yingxin Computer Technology Co Ltd
Original Assignee
Shandong Yingxin Computer Technology 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 Shandong Yingxin Computer Technology Co Ltd filed Critical Shandong Yingxin Computer Technology Co Ltd
Priority to CN202110404951.5A priority Critical patent/CN113110972A/zh
Publication of CN113110972A publication Critical patent/CN113110972A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3051—Monitoring arrangements for monitoring the configuration of the computing system or of the computing system component, e.g. monitoring the presence of processing resources, peripherals, I/O links, software programs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本申请涉及一种时序数据异常检测方法，包括按时序采集服务器硬件的性能数据并存储；从所述性能数据中取样，通过变分自编码器对取样的所述性能数据进行重建，得到预测数据；利用所述预测数据与所述性能数据求误差得到误差序列；自适应的选取阈值，通过POT模型对所述误差序列进行阈值判断，得到性能数据中的异常点；根据异常点对应的性能数据，获取异常发生时刻。本申请提供一种时序数据异常检测装置实现上述方法，本申请还提供一种上述方法的承载介质。本申请能够使用无监督学习算法，对性能数据进行重建，一定程度上消除了常规统计模型的不准确性，本申请自动批量寻找异常点，效率高。

Description

一种时序数据异常检测方法、装置及介质
技术领域
本申请涉及数据处理技术领域，尤其涉及一种时序数据异常检测方法、装置及介质。
背景技术
在实际服务器运行过程中，偶尔会发生数据异常，发生异常时需要维护人员找到服务器运行中数据异常发生的时刻，对服务器进行对应的质量分析查找数据异常原因。
CPU、内存和硬盘的性能数据在一定程度上反应服务器的运行状态，对这些性能数据中还有与异常相关的特征，对这些性能数据进行处理分析能够定位服务器运行的异常。
服务器运行时，由于工作环境变化，服务器的工作负载常常处于非稳态的状态，而数据异常发生概率往往比较低，在长时间运行过程中，数据样本往往较大，异常数量相对数量少造成了定位异常十分困难；而且某些异常发生时，在性能数据图表上表现为是短时间内的尖刺，对于这种异常肉眼难以识别，导致异常标记比较困难；常规的异常统计方法确定异常的准确性低，而基于监督学习的算法由于正负样本不平均造成模型训练困难。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了一种时序数据异常检测方法、装置及介质。
一方面，本申请提供了一种时序数据异常检测方法，包括：
时序采集服务器硬件的性能数据；
通过变分自编码器对所述性能数据进行重建，得到预测数据；
利用所述预测数据与所述性能数据求误差得到误差序列；
通过POT模型对所述误差序列进行阈值判断，得到性能数据中的异常点，并通过采集的所述性能数据的时序确定异常点时刻。
更进一步地，所述服务器硬件包括CPU、内存以及硬盘,所述性能数据包括CPU利用率、CPU用户利用率、内存利用率以及硬盘使用率。
更进一步地，所述通过变分自编码器对所述性能数据进行重建，得到预测数据包括：
对预设时间内的所述性能数据进行归一化，得到归一化数据；
将所述归一化数据输入到所述变分自编码器，得到正态分布参数zmean和zvar，确定隐向量的正态分布，引入高斯分布的噪声，将所述噪声与所述正态分布融合获取添加噪声的隐向量；
使用解码器将隐向量解码及逆归一化得到所述预测数据。
更进一步地,对预设时间内的所述性能数据进行归一化方式为：
xstd＝(x-xmin)/(xmax-xmin)，xscale＝min+xstd/max-min，其中，x为性能数据，xmax为每类所述性能数据中的最大值，xmin为每类所述性能数据中的最小值，xstd为所述性能数据的标准化结果，max为xstd中的最大值，min为xstd中的最小值，xscale为所述性能数据的归一化结果。
更进一步地，求所述误差序列公式如下：
Figure BDA0003021897600000021
其中，n为所述预设时间内所述性能数据或所述预测数据
Figure BDA0003021897600000022
的数量，
Figure BDA0003021897600000023
为所述预测数据，x为所述性能数据，i＝1,2，……n。
更进一步地，所述通过POT模型对所述误差序列进行阈值判断，得到性能数据中的异常点包括：
设定初始阈值th；
超出所述初始阈值th的超阈量l的分布服从广义帕累托分布：
Figure BDA0003021897600000031
其中，γ和β为广义帕累托分布中的形状参数和尺度参数；
通过最大似然法计算参数值γ的值
Figure BDA0003021897600000032
和和β的值
Figure BDA0003021897600000033
并获取评估阈值TH：
Figure BDA0003021897600000034
其中,Q为性能数据总数，q为L>th的比例，Qth为L>th的个数；
取所述误差序列中高于所述评估阈值TH的为异常点。
更进一步地，时序采集服务器硬件的性能数据包括：
按照设定的采样周期对所述性能数据进行采样；
按照采样顺序对采集的所述性能数据进行存储。
一方面本发明提供一种时序数据异常检测装置，包括处理单元、存储单元、总线单元、输入单元、接口单元以及显示单元，所述处理单元、存储单元、输入单元、所述显示单元和接口单元通过所述总线单元连接，所述存储单元存储至少一条指令，所述输入单元用于向所述存储单元输入所述指令所需的操作数，所述处理单元执行所述指令实现所述的时序数据异常检测方法，所述显示单元显示执行所述指令的结果。
更进一步地，所述接口单元电性连接待测设备。
另一方面本发明还提供一种时序数据异常检测介质，所述时序数据异常检测介质存储至少一条指令，执行所述指令实现所述的时序数据异常检测方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点：
本申请实施例提供的该时序数据异常检测方法在进行所述性能数据采样时通过按一定的采样周期采样并按时序存储；这样在找到异常点后，方便通过异常点对应的性能数据确定异常点发生的时刻；通过调小所述采样周期能够实现对异常的精确的检测；通过所述变分自编码器对性能数据进行处理，并获取预测数据，利用预测过程中的损失排出异常数据对预测数据的影响，并通过预测数据与异常数据的明显差异来确定异常点，能够精确的寻找到异常点；本申请通过POT模型对所述误差序列进行阈值判断，能够自适应的确定评估阈值，利用所述评估阈值消除预测数据与性能数据在变分值编码器编码和解码器解码过程中的误差，从而能够自动且精确的进行异常点的寻找，异常点查找效率高。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种时序数据异常检测方法的流程图；
图2为本申请实施例提供的通过变分自编码器和解码器获取预测数据的流程图；
图3为本申请实施例提供的通过POT模型对所述误差序列进行阈值判断，得到性能数据中的异常点的流程图；
图4为本申请实施例提供一种时序数据异常检测方法装置的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。其中，图1为本申请实施例提供的一种时序数据异常检测方法的流程图；图2为本申请实施例提供的通过变分自编码器和解码器获取预测数据的流程图；图3为本申请实施例提供的通过POT模型对所述误差序列进行阈值判断，得到性能数据中的异常点的流程图；图4为本申请实施例提供一种时序数据异常检测方法装置的示意图。
参阅图1所示，本发明提供一种时序数据异常检测方法，包括以下步骤：
S100,时序采集服务器硬件的性能数据x并存储，所述服务器硬件包括CPU、内存以及硬盘,所述性能数据包括CPU利用率、CPU用户利用率，内存利用率以及硬盘使用率；
具体实施过程中，按照采样周期对所述性能数据x进行采样，可以通过细化所述采样周期以获取密度更大的所述性能数据x来提高对异常点的分辨能力；按照采样顺序对采集的所述性能数据进行按顺序存储。实施过程中，一种可行的采样工具为telegraf工具，通过所述telegraf工具按周期采样CPU利用率、CPU用户利用率，内存利用率以及硬盘使用率。采样的所述性能数据x存储于Influxdb时序数据库中。
S200，通过变分自编码器对所述性能数据x进行重建，得到预测数据
Figure BDA0003021897600000061
具体实施过程中，参阅图2所示，具体过程包括：
S201,设置一个取样的时间窗口，所述时间窗口一般取所述采样周期的整数倍。
S202，对所述时间窗口内的所述性能数据进行归一化，得到归一化数据xscale；归一化方式为：
先对所述性能数据进行标准化，一种可行的标准化的公式为xstd＝(x-xmin)/(xmax-xmin)，
再进行归一化，一种可行的标准化的公式为：xscale＝min+xstd/max-min，
其中，xmax为每类所述性能数据中的最大值，xmin为每类所述性能数据中的最小值，max为xstd中的最大值，min为xstd中的最小值，xstd为所述性能数据的标准化结果，max为xstd中的最大值，min为xstd中的最小值，xscale为所述性能数据的归一化结果。
S203，将归一化数据xscale输入所述变分自编码器的获取隐向量z；具体的，将xscale输入到所述变分自编码器，得到隐向量Z的正态分布参数zmean和zvar，其中，zmean代表平均值，zvar代表方差；并以从高斯分布N(0,1)中采样得到随机数为噪声，将所述噪声与参数zmean和zvar确定的正态分布融合获取添加噪声的隐向量z。
S204，使用解码器将隐向量z解码为
Figure BDA0003021897600000062
并将
Figure BDA0003021897600000063
逆归一化得到所述预测数据
Figure BDA0003021897600000064
变分自编码器在对所述性能数据进行编码时，数据会有损失，再通过解码器进行解码生成的预测数据与所述性能数据相比会有一定范围内的误差，而当所述性能数据中存在异常时，预测数据与异常数据之间的差异会变大，导致所述误差序列出现明显的波动。
S300，利用所述预测数据与所述性能数据求误差得到误差序列；具体实施过程中，求所述误差序列公式如下：
Figure BDA0003021897600000071
其中，n为所述时间窗口内所述性能数据或所述预测数据
Figure BDA0003021897600000072
的数量，i属于n。
S400，通过POT(Peaks over Threshold)模型对所述误差序列进行阈值判断，得到性能数据中的异常点；具体实施过程中，参阅图3所示，包括：
S401，计算自适应的评估阈值；具体过程为：
设定初始阈值th；
时间窗口内的所述误差序列超出所述初始阈值th的超阈量l的分布服从广义帕累托分布：
Figure BDA0003021897600000073
其中，γ和β为广义帕累托分布中的形状参数和尺度参数；
利用时间窗口内误差序列的超阈量l数据并通过最大似然法计算参数值
Figure BDA0003021897600000074
和
Figure BDA0003021897600000075
其中，
Figure BDA0003021897600000076
为γ的近似值，
Figure BDA0003021897600000077
为β的近似值，
并通过参数值
Figure BDA0003021897600000078
和
Figure BDA0003021897600000079
获取评估阈值TH：
Figure BDA00030218976000000710
其中,Q为性能数据的总数，q为L>th的比例，Qth为L>th的个数；
调整q值即可获得所述评估阈值TH，从而实现所述评估阈值的自适应获取；
S402,取所述误差序列中高于所述评估阈值的为异常点；具体的，将所述误差序列中的元素与所述评估阈值做差获取差值，判断所述差值是否大于零，如果所述差值大于零则为异常点。
S500，并通过性能数据时序确定异常点时刻；具体实施过程中，通过所述异常点对应的性能数据，在Influxdb时序数据库中检索获取异常发生的时刻。
一方面，本申请还提供一种时序数据异常检测装置，参阅图4所示，包括处理单元、存储单元、总线单元、输入单元、接口单元以及显示单元，所述处理单元、存储单元、输入单元、所述显示单元和接口单元通过所述总线单元连接，所述接口单元电性连接待测设备，所述存储单元存储至少一条指令。所述处理单元执行所述指令实现按时序采集服务器硬件的性能数据并存储；从所述性能数据中取样，通过变分自编码器对取样的所述性能数据进行重建，得到预测数据；利用所述预测数据与所述性能数据求误差得到误差序列；自适应的选取阈值，通过POT模型对所述误差序列进行阈值判断，得到性能数据中的异常点；根据异常点对应的性能数据，获取异常发生时刻。所述输入单元用于输入执行所述指令的操作数，如时间窗口，初始阈值；所述显示单元用于显示执行所述指令的结果。
另一方面，本申请还提供一种时序数据异常检测介质，所述时序数据异常检测介质存储至少一条指令，执行所述指令实现按时序采集服务器硬件的性能数据并存储；从所述性能数据中取样，通过变分自编码器对取样的所述性能数据进行重建，得到预测数据；利用所述预测数据与所述性能数据求误差得到误差序列；自适应的选取阈值，通过POT模型对所述误差序列进行阈值判断，得到性能数据中的异常点；根据异常点对应的性能数据，获取异常发生时刻。
本申请实施例提供的该时序数据异常检测方法在进行所述性能数据采样时通过按一定的采样周期采样并按时序存储；这样在找到异常点后，方便通过异常点对应的性能数据确定异常点发生的时刻；通过调小所述采样周期能够实现对异常的精确的检测；通过所述变分自编码器对性能数据进行处理，并获取预测数据，利用预测过程中的损失排出异常数据对预测数据的影响，并通过预测数据与异常数据的明显差异来确定异常点，能够精确的寻找到异常点；本申请通过POT模型对所述误差序列进行阈值判断，能够自适应的确定评估阈值，利用所述评估阈值消除预测数据与性能数据在变分值编码器编码和解码器解码过程中的误差，从而能够自动且精确的进行异常点的寻找，异常点查找效率高。
需要说明的是，在本文中，诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的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申请的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种时序数据异常检测方法，其特征在于，包括：
时序采集服务器硬件的性能数据；
通过变分自编码器对所述性能数据进行重建，得到预测数据；
利用所述预测数据与所述性能数据求误差得到误差序列；
通过POT模型对所述误差序列进行阈值判断，得到性能数据中的异常点，并通过采集的所述性能数据的时序确定异常点时刻。
2.根据权利要求1所述时序数据异常检测方法，其特征在于，所述服务器硬件包括CPU、内存以及硬盘,所述性能数据包括CPU利用率、CPU用户利用率、内存利用率以及硬盘使用率。
3.根据权利要求1所述时序数据异常检测方法，其特征在于，所述通过变分自编码器对所述性能数据进行重建，得到预测数据包括：
对预设时间内的所述性能数据进行归一化，得到归一化数据；
将所述归一化数据输入到所述变分自编码器，得到正态分布参数zmean和zvar，确定隐向量的正态分布，引入高斯分布的噪声，将所述噪声与所述正态分布融合获取添加噪声的隐向量；
使用解码器将隐向量解码及逆归一化得到所述预测数据。
4.根据权利要求1所述时序数据异常检测方法，其特征在于,对预设时间内的所述性能数据进行归一化方式为：
xstd＝(x-xmin)/(xmax-xmin)，xscale＝min+xstd/max-min，其中，x为性能数据，xmax为每类所述性能数据中的最大值，xmin为每类所述性能数据中的最小值，xstd为所述性能数据的标准化结果，max为xstd中的最大值，min为xstd中的最小值，xscale为所述性能数据的归一化结果。
5.根据权利要求1所述时序数据异常检测方法，其特征在于，求所述误差序列公式如下：
Figure FDA0003021897590000021
其中，n为所述预设时间内所述性能数据或所述预测数据的数量，
Figure FDA0003021897590000022
为所述预测数据，x为所述性能数据，i＝1,2，……n。
6.根据权利要求1所述时序数据异常检测方法，其特征在于，所述通过POT模型对所述误差序列进行阈值判断，得到性能数据中的异常点包括：
设定初始阈值th；
超出所述初始阈值th的超阈量l的分布服从广义帕累托分布：
Figure FDA0003021897590000023
其中，γ和β为广义帕累托分布中的形状参数和尺度参数；
通过最大似然法计算参数值γ的值
Figure FDA0003021897590000024
和和β的值
Figure FDA0003021897590000025
并获取评估阈值TH：
Figure FDA0003021897590000026
其中,Q为性能数据总数，q为L>th的比例，Qth为L>th的个数；
取所述误差序列中高于所述评估阈值TH的为异常点。
7.根据权利要求1所述时序数据异常检测方法，其特征在于，时序采集服务器硬件的性能数据包括：
按照设定的采样周期对所述性能数据进行采样；
按照采样顺序对采集的所述性能数据进行存储。
8.一种时序数据异常检测装置，其特征在于，包括处理单元、存储单元、总线单元、输入单元、接口单元以及显示单元，所述处理单元、存储单元、输入单元、所述显示单元和接口单元通过所述总线单元连接，所述存储单元存储至少一条指令，所述输入单元用于向所述存储单元输入所述指令所需的操作数，所述处理单元执行所述指令实现如权利要求1-7任一所述的时序数据异常检测方法，所述显示单元显示执行所述指令的结果。
9.根据权利要求8所述时序数据异常检测装置，其特征在于，所述接口单元电性连接待测设备。
10.一种时序数据异常检测介质，其特征在于，所述时序数据异常检测介质存储至少一条指令，执行所述指令实现如权利要求1-7任一所述的时序数据异常检测方法。
CN202110404951.5A 2021-04-15 2021-04-15 一种时序数据异常检测方法、装置及介质 Pending CN113110972A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110404951.5A CN113110972A (zh) 2021-04-15 2021-04-15 一种时序数据异常检测方法、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110404951.5A CN113110972A (zh) 2021-04-15 2021-04-15 一种时序数据异常检测方法、装置及介质

Publications (1)

Publication Number Publication Date
CN113110972A true CN113110972A (zh) 2021-07-13

Family

ID=76717157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110404951.5A Pending CN113110972A (zh) 2021-04-15 2021-04-15 一种时序数据异常检测方法、装置及介质

Country Status (1)

Country Link
CN (1) CN113110972A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705786A (zh) * 2021-08-26 2021-11-26 阿里巴巴（中国）有限公司 基于模型的数据处理方法、装置及存储介质
CN116757533A (zh) * 2023-06-13 2023-09-15 无锡物联网创新中心有限公司 一种工业设备异常检测方法及相关装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150379110A1 (en) * 2014-06-25 2015-12-31 Vmware, Inc. Automated methods and systems for calculating hard thresholds
CN112101554A (zh) * 2020-11-10 2020-12-18 北京瑞莱智慧科技有限公司 异常检测方法及装置、设备、计算机可读存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150379110A1 (en) * 2014-06-25 2015-12-31 Vmware, Inc. Automated methods and systems for calculating hard thresholds
CN112101554A (zh) * 2020-11-10 2020-12-18 北京瑞莱智慧科技有限公司 异常检测方法及装置、设备、计算机可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郑育靖，等: "基于GRU-Attention的无监督多变量时间序列异常检测", 《山西大学学报(自然科学版)》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705786A (zh) * 2021-08-26 2021-11-26 阿里巴巴（中国）有限公司 基于模型的数据处理方法、装置及存储介质
CN113705786B (zh) * 2021-08-26 2024-06-04 阿里巴巴（中国）有限公司 基于模型的数据处理方法、装置及存储介质
CN116757533A (zh) * 2023-06-13 2023-09-15 无锡物联网创新中心有限公司 一种工业设备异常检测方法及相关装置

Similar Documents

Publication Publication Date Title
CN111222290B (zh) 一种基于多参数特征融合的大型设备剩余使用寿命预测方法
CN115412455B (zh) 一种基于时间序列的服务器多性能指标异常检测方法及装置
CN108319981A (zh) 一种基于密度的时序数据异常检测方法及装置
US7617010B2 (en) Detecting instabilities in time series forecasting
CN113110972A (zh) 一种时序数据异常检测方法、装置及介质
CN113569903A (zh) 数控机床刀具磨损预测方法、系统、设备、介质、终端
CN112862127A (zh) 一种传感器数据的异常处理方法、装置、电子设备及介质
CN114861788A (zh) 一种基于dbscan聚类的负荷异常检测方法及系统
CN113723861A (zh) 异常用电行为检测方法、装置、计算机设备和存储介质
CN111737249A (zh) 基于Lasso算法的异常数据检测方法及装置
CN113240076A (zh) 一种基于聚类和神经网络算法的钟差异常数据检测方法
CN117335409B (zh) 基于人工智能的电力用户负荷预测系统
CN116842330B (zh) 一种可对比历史记录的保健信息处理方法及装置
CN111091243A (zh) 基于pca-gm的电力负荷预测方法、系统、计算机可读存储介质和计算设备
CN111461329A (zh) 一种模型的训练方法、装置、设备及可读存储介质
CN116383645A (zh) 一种基于异常检测的系统健康度智能监测评估方法
CN114401205B (zh) 无标注多源网络流量数据漂移检测方法和装置
CN115935284A (zh) 电网异常电压检测方法、装置、设备及存储介质
CN114493696A (zh) 一种化学品市场异常波动监测方法
CN114676593A (zh) 一种纺织设备的异常检测方法及相关装置
CN112949951A (zh) 数据预测方法、装置、电子设备及存储介质
KR102072894B1 (ko) 인트론과 엑손 구분에 기반한 이상 서열 식별 방법
Kim et al. On residual CUSUM statistic for PINAR (1) model in statistical design and diagnostic of control chart
CN115083442B (zh) 数据处理方法、装置、电子设备以及计算机可读存储介质
WO2024009362A1 (ja) 異常検知装置、異常検知方法および異常検知プログラム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20210713

RJ01 Rejection of invention patent application after publication