CN113297195A - 一种时间序列异常检测方法、装置及设备 - Google Patents
一种时间序列异常检测方法、装置及设备 Download PDFInfo
- Publication number
- CN113297195A CN113297195A CN202110853492.9A CN202110853492A CN113297195A CN 113297195 A CN113297195 A CN 113297195A CN 202110853492 A CN202110853492 A CN 202110853492A CN 113297195 A CN113297195 A CN 113297195A
- Authority
- CN
- China
- Prior art keywords
- time
- data
- sequence
- energy
- series
- 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
Images
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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种时间序列异常检测方法、装置及设备,方法包括:获取时间序列以及所述时间序列的能量序列;对所述能量序列进行平稳化操作处理,得到处理结果;根据所述处理结果,确定所述时间序列是否异常。通过上述方式,本发明提高了时间序列异常检测领域的相关算法的通用性和计算性能。
Description
技术领域
本发明涉及信息处理处理技术领域,特别是指一种时间序列异常检测方法、装置及设备。
背景技术
时间序列数据是运维领域最常见的观测指标,其异常检测是指运用算法对等间隔的数据中的异常点进行判定,从而为后续的故障定位及其他处理奠定基础。
传统的时间序列异常检测方法可分为三类:统计类方法、机器学习类方法和时间序列分解类方法。统计类方法适用的数据类型有限。机器学习类算法调参难度大。时间序列分解类算法在分解过程中通常面临突变点问题和周期性预测问题,容易将趋势性拟合错误及周期性拟合错误归结于噪声中去,从而影响算法结果。
发明内容
本发明要解决的技术问题是如何提供一种时间序列异常检测方法、装置及设备。解决现有技术中基于时间序列异常检测领域的相关算法所存在的通用性差和计算性能差的问题。
为解决上述技术问题,本发明的技术方案如下:
一种时间序列异常检测方法,包括:
获取时间序列以及所述时间序列的能量序列;
对所述能量序列进行平稳化操作处理,得到处理结果;
根据所述处理结果,确定所述时间序列是否异常。
可选的,获得所述时间序列的能量序列,包括:
对所述时间序列中的每个点取平方运算,得到所述时间序列的能量序列。
可选的,对所述能量序列进行平稳化操作处理,得到处理结果,包括:
对所述能量序列进行趋势性数据和/或周期性数据的去除操作处理,得到处理结果。
可选的,对所述能量序列进行趋势性数据去除操作处理,包括:
通过公式G(t)=diff(g(t))对所述能量序列进行趋势性数据去除操作处理;
其中,G(t)为趋势性数据去除后的数据,diff表示差分操作,g(t)为能量序列。
可选的,对所述能量序列进行周期性数据的去除操作处理,包括:
将第一预设时长作为周期性的时间窗长,将所述能量序列的一个时间窗长内的数据平均值作为时间窗外下一个点的周期性数值进行去除,对于一个周期内的数据运用第二预设时长的数据做滑动窗,直至把所有点的周期性数据都去除,所述第二预设时长小于所述第一预设时长。
可选的,对所述能量序列进行周期性数据的去除操作处理过程中,还包括:
对于方差在N倍标准差之外的目标数据,将所述目标数据所在时间窗内的所有数据的平均值代替该目标数据来计算时间窗内的均值,N为正整数。
可选的,根据所述处理结果,确定所述时间序列是否异常,包括:
给定目标时间窗口,将所述目标时间窗口后的数据与所述目标时间窗口内数据的均值进行相比得到的比值大于预设阈值时,确定所述时间序列异常。
本发明的实施例还提供一种时间序列异常检测装置,包括:
获取模块,用于获取时间序列以及所述时间序列的能量序列;
处理模块,用于对所述能量序列进行平稳化操作处理,得到处理结果;根据所述处理结果,确定所述时间序列是否异常。
本发明的实施例还提供一种电子设备,包括:处理器、存储有计算机程序的存储器,所述计算机程序被处理器运行时,执行如上所述的时间序列异常检测方法。
本发明的实施例还提供一种计算机可读存储介质,存储指令,当所述指令在计算机上运行时,使得计算机执行如上所述的时间序列异常检测方法。
本发明的上述方案至少包括以下有益效果:
通过获取时间序列以及所述时间序列的能量序列;对所述能量序列进行平稳化操作处理,得到处理结果;根据所述处理结果,确定所述时间序列是否异常。提高时间序列异常检测领域的相关算法的通用性和计算性能。
上述说明仅是本发明实施例技术方案的概述,为了能够更清楚了解本发明实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明实施例的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明实施例的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的时间序列异常检测方法流程图;
图2示出了本发明实施例提供的时间序列异常检测方法在某真实数据上的异常检测结果图;
图3示出了本发明实施例提供的时间序列异常检测方法在带趋势数据上的异常检测结果图;
图4示出了本发明实施例提供的时间序列异常检测方法在趋势相乘数据上的异常检测结果图;
图5示出了本发明实施例提供的时间序列异常检测方法在突变点乘数据上的异常检测结果图;
图6示出了本发明实施例提供的时间序列异常检测装置的结构示意图;
图7示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示,本发明的实施例提供一种时间序列异常检测方法,包括:
步骤11,获取时间序列以及所述时间序列的能量序列;
步骤12,对所述能量序列进行平稳化操作处理,得到处理结果;
步骤13,根据所述处理结果,确定所述时间序列是否异常。
该实施例所述的时间序列异常检测方法,通过获取时间序列以及所述时间序列的能量序列;对所述能量序列进行平稳化操作处理,得到处理结果;根据所述处理结果,确定所述时间序列是否异常。提高了时间序列异常检测领域的相关算法的通用性和计算性能。
在本发明的一可选的实施例中,步骤11包括:对所述时间序列中的每个点取平方运算,得到所述时间序列的能量序列。
该实施例中,假设给定时间序列f(t),其具有的噪声为ε(t),且服从正态分布。然后对时间序列f(t)中的每个点取平方运算,将变换后的时间序列g(t)视为原始时间序列的能量序列,即g(t)=f²(t)。时间序列的异常通常描述为三类,单点的异常、上下文异常和连续性异常。考虑到现实信号中数据点异常通常为单点异常,因此使用能量序列g(t)可以提高信噪比。
在本发明的一可选的实施例中,步骤12包括:对所述能量序列进行趋势性数据和/或周期性数据的去除操作处理,得到处理结果。
该实施例中,当得到能量数据g(t)以后,对数据进行平稳化。主要是进行趋势性数据和周期性数据的去除。去除后便完成了能量序列的平稳化操作,平稳化后的数据记作S(t)。
在本发明的一可选的实施例中,步骤12中,对所述能量序列进行趋势性数据去除操作处理,包括:通过公式G(t)=diff(g(t))对所述能量序列进行趋势性数据去除操作处理;其中,G(t)为趋势性数据去除后的数据,diff表示差分操作,g(t)为能量序列。
该实施例中,利用数学上的差分运算进行趋势性数据的去除,差分操作可以有效记录突变点的信息,将突变点表达为具有较大差分数值的点,为后续异常检测的开展做好数据准备,记G(t)为去趋势后的数据,则有:G(t)=diff(g(t)),其中diff表示差分操作。
在本发明的又一可选的实施例中,步骤12中,对所述能量序列进行周期性数据的去除操作处理,包括:
将第一预设时长作为周期性的时间窗长,将所述能量序列的一个时间窗长内的数据平均值作为时间窗外下一个点的周期性数值进行去除,对于一个周期内的数据运用第二预设时长的数据做滑动窗,直至把所有点的周期性都去除,所述第二预设时长小于所述第一预设时长。
该实施例中,在数据的周期性成分中,考虑到一般业务的数据特点,将第一预设时长为周期性的时间窗长,将一个时间窗长内的平均值作为窗外下一个点的周期性数值进行去除,对于一个周期内的数据我们运用第二预设时长的数据做滑动窗,直至把所有点的周期性都进行去除。所述第一预设时长通常为7天,所述第二预设时长通常为1天,第一预设时长和第二预设时长可根据实际情况改变,但第二预设时长始终小于第一预设时长。
在本发明的又一可选的实施例中,步骤12中,对所述能量序列进行周期性数据的去除操作处理过程中,还可以包括:
对于方差在N倍标准差之外的目标数据,将所述目标数据所在时间窗内的所有数据的平均值代替该目标数据来计算时间窗内的均值,N为正整数。
该实施例中,在所述能量序列进行周期性数据的去除操作处理过程中,异常点的存在会影响去周期的效果,因此对于方差在N倍标准差之外的数据,将其所在窗内的均值代替该值来计算窗内的均值,如此来消除异常点的影响。这里的N优选可以为3;滑动平均在去除周期性部分的同时,还起到了降噪的作用。如此便完成了能量序列的平稳化操作。
将平稳化后的数据记为S(t),则有:S(t)=G(t)-ma(G(t))、G(t)=diff(g(t)),其中ma表示滑动平均操作,diff表示差分操作。
在本发明的再一可选的实施例中,步骤13可以包括:
给定目标时间窗口,将所述目标时间窗口后的数据与所述目标时间窗口内数据的均值进行相比得到的比值大于预设阈值时,确定所述时间序列异常。
该实施例中,对平稳化后的时间序列进行异常检测。为了降低局部噪声对异常检测结果的影响,运用“能量比”的方式进行检测,具体表现为:预设目标时间窗口L,将目标时间窗口L后数据与目标时间窗口内数据的均值进行对比,得到的比值大于预设阈值时为异常。如果目标时间窗口内存在异常点,则该点处数值由目标时间窗口内均值代替,并在此基础上重新计算目标时间窗口均值。记目标时间窗口内数据为s(t),则针对t+1时刻的能量比可以定义为:
其中L表示为窗长,t表示为时刻。当R值超出预设阈值时,便认为此时原始时间序列f(t+1)点为异常点。
如图2所示的本发明实施例提供的时间序列异常检测方法在某真实数据上的异常检测结果图,以某条实际的数据为基础,结合其原始数据、以及在该数据上添加线性趋势、相乘变换、添加突变点等操作,通过判断结果,表明本发明实施例提供的时间序列异常检测方法非常有效。
如图3所示的本发明实施例提供的时间序列异常检测方法在某真实数据上的异常检测结果图,对所述某条实际的数据添加线性趋势,通过判断结果,表明线性趋势成分对本发明提出的异常点判断没有影响。
如图4所示的本发明实施例提供的时间序列异常检测方法在趋势相乘数据上的异常检测结果图,对所述某条实际的数据添加相乘线性趋势,从幅值上对所述某条实际的数据添加噪声,通过判断结果,表明相乘的趋势成分对本发明提出的异常点判断影响有限。
如图5所示的本发明实施例提供的时间序列异常检测方法在突变点乘数据上的异常检测结果图,在所述某条实际的突变点数据上进行异常检测,通过检测结果,表明本发明可以捕捉到突变点数据的变化。
本发明的上述方法中,充分结合了数据平稳化和统计的数学思想,不再需要将数据分解为不同正交的部分,对其分别建模来进行异常检测。本发明的实施例首先从时间序列分解的思想出发,从能量的角度结合差分和滑动平均对数据进行平稳化操作;其次对平稳化后的数据展开基于能量比的统计分析,确定出其的异常点;最后将平稳化后数据的异常点在原数据中的对应点视为异常。由于运用了基于能量的差分平稳化技术,避免了简单将趋势拟合错误和周期拟合错误强加于噪声的情形,并且差分很大程度上避免了突变点带来的问题。对平稳化后的数据进行基于能量比的统计运算,相对于其他类型算法,其计算时间大大减少,对内存等资源需求也较少。本发明所述的时间序列异常检测方法具有了相当的通用性和计算性能。从适用数据类型的角度,就单点异常而言,本发明的方法不仅适用于平稳时间序列,还适用于具有趋势性和周期性的数据,能够适应突变点也是本发明的方法的特色。同时适用如此多的数据类型,是其他主流方法所不具备的特点,于是本方法省去了对时间序列进行分类以及不同算法和不同类型数据进行匹配的过程。在实际落地过程中具有更好的操作性。
图6示出了本发明实施例提供的时间序列异常检测装置的构示意图。如图6所示,该装置包括:
获取模块61,用于获取时间序列以及所述时间序列的能量序列;
处理模块62,用于对所述能量序列进行平稳化操作处理,得到处理结果;根据所述处理结果,确定所述时间序列是否异常。
可选的,所述获取模块61用于对所述时间序列中的每个点取平方运算,得到所述时间序列的能量序列。
可选的,所述处理模块62具体用于对所述能量序列进行趋势性数据和/或周期性数据的去除操作处理,得到处理结果。
可选的,所述处理模块62还用于通过公式G(t)=diff(g(t))对所述能量序列进行趋势性数据去除操作处理;
其中,G(t)为趋势性数据去除后的数据,diff表示差分操作,g(t)为能量序列。
可选的,所述处理模块62还用于将第一预设时长作为周期性的时间窗长,将所述能量序列的一个时间窗长内的数据平均值作为时间窗外下一个点的周期性数值进行去除,对于一个周期内的数据运用第二预设时长的数据做滑动窗,直至把所有点的周期性数据都去除,所述第二预设时长小于所述第一预设时长。
可选的,对所述能量序列进行周期性数据的去除操作处理过程中,还包括:
对于方差在N倍标准差之外的目标数据,将所述目标数据所在时间窗内的所有数据的平均值代替该目标数据来计算时间窗内的均值,N为正整数。
可选的,所述处理模块62还用于给定目标时间窗口,将所述目标时间窗口后的数据与所述目标时间窗口内数据的均值进行相比得到的比值大于预设阈值时,确定所述时间序列异常。
需要说明的是,该实施例是与上述方法实施例对应的装置实施例,上述方法实施例中的所有实现方式均适用于该装置的实施例中,也能达到相同的技术效果。
本发明实施例提供了一种非易失性计算机存储介质,所述计算机存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的时间序列异常检测方法。
图7示出了本发明实施例提供的计算设备的结构示意图,本发明具体实施例并不对计算设备的具体实现做限定。
如图7所示,该计算设备可以包括:处理器(processor)、通信接口(Communications Interface)、存储器(memory)、以及通信总线。
其中:处理器、通信接口、以及存储器通过通信总线完成相互间的通信。通信接口,用于与其它设备比如客户端或其它服务器等的网元通信。处理器,用于执行程序,具体可以执行上述用于计算设备的时间序列异常检测方法实施例中的相关步骤。
具体地,程序可以包括程序代码,该程序代码包括计算机操作指令。
处理器可能是中央处理器CPU,或者是特定集成电路ASIC(Application SpecificIntegrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器,用于存放程序。存储器可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序具体可以用于使得处理器执行上述任意方法实施例中的时间序列异常检测方法。程序中各步骤的具体实现可以参见上述时间序列异常检测方法实施例中的相应步骤和单元中对应的描述,在此不赘述。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的设备和模块的具体工作过程,可以参考前述方法实施例中的对应过程描述,在此不再赘述。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明实施例的内容,并且上面对特定语言所做的描述是为了披露本发明实施例的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的摘要和附图等)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的摘要和附图等)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者系统程序(例如,计算机程序和计算机程序产品)。这样的实现本发明实施例的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
Claims (10)
1.一种时间序列异常检测方法,其特征在于,包括:
获取时间序列以及所述时间序列的能量序列;
对所述能量序列进行平稳化操作处理,得到处理结果;
根据所述处理结果,确定所述时间序列是否异常。
2.根据权利要求1所述的时间序列异常检测方法,其特征在于,获得所述时间序列的能量序列,包括:
对所述时间序列中的每个点取平方运算,得到所述时间序列的能量序列。
3.根据权利要求1所述的时间序列异常检测方法,其特征在于,对所述能量序列进行平稳化操作处理,得到处理结果,包括:
对所述能量序列进行趋势性数据和/或周期性数据的去除操作处理,得到处理结果。
4.根据权利要求3所述的时间序列异常检测方法,其特征在于,对所述能量序列进行趋势性数据去除操作处理,包括:
通过公式G(t)=diff(g(t))对所述能量序列进行趋势性数据去除操作处理;
其中,G(t)为趋势性数据去除后的数据,diff表示差分操作,g(t)为能量序列。
5.根据权利要求3所述的时间序列异常检测方法,其特征在于,对所述能量序列进行周期性数据的去除操作处理,包括:
将第一预设时长作为周期性的时间窗长,将所述能量序列的一个时间窗长内的数据平均值作为时间窗外下一个点的周期性数值进行去除,对于一个周期内的数据运用第二预设时长的数据做滑动窗,直至把所有点的周期性数据都去除,所述第二预设时长小于所述第一预设时长。
6.根据权利要求5所述的时间序列异常检测方法,其特征在于,对所述能量序列进行周期性数据的去除操作处理过程中,还包括:
对于方差在N倍标准差之外的目标数据,将所述目标数据所在时间窗内的所有数据的平均值代替该目标数据来计算时间窗内的均值,N为正整数。
7.根据权利要求1所述的时间序列异常检测方法,其特征在于,根据所述处理结果,确定所述时间序列是否异常,包括:
给定目标时间窗口,将所述目标时间窗口后的数据与所述目标时间窗口内数据的均值进行相比得到的比值大于预设阈值时,确定所述时间序列异常。
8.一种时间序列异常检测装置,其特征在于,包括:
获取模块,用于获取时间序列以及所述时间序列的能量序列;
处理模块,用于对所述能量序列进行平稳化操作处理,得到处理结果;根据所述处理结果,确定所述时间序列是否异常。
9.一种电子设备,其特征在于,包括:处理器、存储有计算机程序的存储器,所述计算机程序被处理器运行时,执行如权利要求1至7任一项所述的时间序列异常检测方法。
10.一种计算机可读存储介质,其特征在于,存储指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1至7任一项所述的时间序列异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110853492.9A CN113297195B (zh) | 2021-07-28 | 2021-07-28 | 一种时间序列异常检测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110853492.9A CN113297195B (zh) | 2021-07-28 | 2021-07-28 | 一种时间序列异常检测方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113297195A true CN113297195A (zh) | 2021-08-24 |
CN113297195B CN113297195B (zh) | 2022-03-15 |
Family
ID=77331207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110853492.9A Active CN113297195B (zh) | 2021-07-28 | 2021-07-28 | 一种时间序列异常检测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113297195B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11809517B1 (en) * | 2022-09-21 | 2023-11-07 | Southwest Jiaotong University | Adaptive method of cleaning structural health monitoring data based on local outlier factor |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150341246A1 (en) * | 2013-12-27 | 2015-11-26 | Metafor Software Inc. | System and method for anomaly detection in information technology operations |
CN107272066A (zh) * | 2017-06-22 | 2017-10-20 | 东华理工大学 | 一种含噪地震信号初至走时拾取方法及装置 |
CN110032670A (zh) * | 2019-04-17 | 2019-07-19 | 腾讯科技(深圳)有限公司 | 时序数据的异常检测方法、装置、设备及存储介质 |
CN110213125A (zh) * | 2019-05-23 | 2019-09-06 | 南京维拓科技股份有限公司 | 一种云环境下基于时序数据的异常检测系统 |
CN111145895A (zh) * | 2019-12-24 | 2020-05-12 | 中国科学院深圳先进技术研究院 | 异常数据的检测方法及终端设备 |
CN112989266A (zh) * | 2019-12-02 | 2021-06-18 | 阿里巴巴集团控股有限公司 | 时间序列中的周期性检测和周期长度估计 |
-
2021
- 2021-07-28 CN CN202110853492.9A patent/CN113297195B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150341246A1 (en) * | 2013-12-27 | 2015-11-26 | Metafor Software Inc. | System and method for anomaly detection in information technology operations |
CN107272066A (zh) * | 2017-06-22 | 2017-10-20 | 东华理工大学 | 一种含噪地震信号初至走时拾取方法及装置 |
CN110032670A (zh) * | 2019-04-17 | 2019-07-19 | 腾讯科技(深圳)有限公司 | 时序数据的异常检测方法、装置、设备及存储介质 |
CN110213125A (zh) * | 2019-05-23 | 2019-09-06 | 南京维拓科技股份有限公司 | 一种云环境下基于时序数据的异常检测系统 |
CN112989266A (zh) * | 2019-12-02 | 2021-06-18 | 阿里巴巴集团控股有限公司 | 时间序列中的周期性检测和周期长度估计 |
CN111145895A (zh) * | 2019-12-24 | 2020-05-12 | 中国科学院深圳先进技术研究院 | 异常数据的检测方法及终端设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11809517B1 (en) * | 2022-09-21 | 2023-11-07 | Southwest Jiaotong University | Adaptive method of cleaning structural health monitoring data based on local outlier factor |
Also Published As
Publication number | Publication date |
---|---|
CN113297195B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190220339A1 (en) | Hybrid and hierarchical outlier detection system and method for large scale data protection | |
WO2016155241A1 (zh) | 基于Kalman滤波器的容量预测方法、系统和计算机设备 | |
CN111426905B (zh) | 一种配电网同母线变关系异常诊断方法、装置及系统 | |
CN108921424B (zh) | 一种电力数据异常检测方法、装置、设备及可读存储介质 | |
CN113008583B (zh) | 一种旋转机械状态监测和异常自动报警的方法及装置 | |
CN112506752A (zh) | 基于时序数据趋势预测的运维方法、装置及设备 | |
CN113297195B (zh) | 一种时间序列异常检测方法、装置及设备 | |
CN112631881A (zh) | 基于时序数据趋势预测的运维方法、装置及设备 | |
CN111259269A (zh) | 基于时间序列数据的异常点检测方法、设备和存储介质 | |
CN111695730A (zh) | 基于arima及rnn的立磨振动预测方法及装置 | |
CN113536042B (zh) | 一种时间序列异常检测方法、装置及设备 | |
US9910882B2 (en) | Isolation anomaly quantification through heuristical pattern detection | |
CN109684937A (zh) | 一种基于fft及数学形态法的信号去噪方法及装置 | |
CN117594053A (zh) | 语音降噪方法、处理终端及存储介质 | |
Fu et al. | SPC methods for nonstationary correlated count data with application to network surveillance | |
CN112463564A (zh) | 确定影响主机状态的关联指标的方法及装置 | |
Aue et al. | Segmenting mean-nonstationary time series via trending regressions | |
CN116107847A (zh) | 多元时间序列数据异常检测方法、装置、设备及存储介质 | |
CN114172708A (zh) | 网络流量异常的识别方法 | |
CN114692987A (zh) | 一种时序数据分析方法、装置、设备及存储介质 | |
CN114117354A (zh) | 一种时序数据的异常检测方法、装置及设备 | |
CN111611870B (zh) | 冷连轧机故障特征识别方法、系统、装置及介质 | |
TWI720388B (zh) | 用以處理分段平滑信號之設備、方法及電腦程式 | |
JP6835702B2 (ja) | 異常推定装置、異常推定方法及びプログラム | |
CN114152454A (zh) | 基于ceemdan-cse模型的机械设备故障诊断方法及该模型的建立方法 |
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 |