CN113688125B - 基于人工智能的异常值检测方法、装置、电子设备及介质 - Google Patents
基于人工智能的异常值检测方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN113688125B CN113688125B CN202110975516.8A CN202110975516A CN113688125B CN 113688125 B CN113688125 B CN 113688125B CN 202110975516 A CN202110975516 A CN 202110975516A CN 113688125 B CN113688125 B CN 113688125B
- Authority
- CN
- China
- Prior art keywords
- series data
- time series
- time sequence
- time
- preset
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 156
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 144
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 45
- 238000013450 outlier detection Methods 0.000 claims abstract description 97
- 238000000034 method Methods 0.000 claims abstract description 50
- 230000008569 process Effects 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 238000012217 deletion Methods 0.000 claims abstract description 10
- 230000037430 deletion Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 16
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012106 screening analysis Methods 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
- G06F16/21—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
本发明涉及人工智能技术领域，提供一种基于人工智能的异常值检测方法、装置、电子设备及介质，所述方法包括：采集第一时间序列数据；对第一时间序列数据进行预处理，得到第二时间序列数据；按照预设的第一步长对第二时间序列数据进行切割，得到多个第三时间序列数据，并形成第一时间序列数据集，对第一时间序列数据集进行至少一次迭代异常值检测，直至完成第一时间序列数据集中的多个第三时间序列数据的异常值检测，得到异常值检测结果。本发明通过对所述第一时间序列数据进行预处理，避免后续进行时间序列异常值检测过程中出现数据缺失或者数据错位导致检测效率缓慢的现象，提高了时间序列异常值检测效率及准确率。
Description
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于人工智能的异常值检测方法、装置、电子设备及介质。
背景技术
时间序列一般是指将同一统计指标的数值按发生的时间先后顺序排列而成的数列，运动健康、生态环境等领域都有很多源于物联网或者传感器的时间序列数据，需要对时间序列数据中的异常值进行检测，现有技术通过按照预设的规则，按照时间先后顺序逐一进行筛选分析。
然而，随着数据源越来越大，按照时间先后顺序逐一进行筛选分析，难以快速检测和定位异常值，导致异常值检测效率低下。
因此，有必要提出一种可以快速准确的检测时间序列异常值的方法。
发明内容
鉴于以上内容，有必要提出一种基于人工智能的异常值检测方法、装置、电子设备及介质，通过对所述第一时间序列数据进行预处理，避免后续进行时间序列异常值检测过程中出现数据缺失或者数据错位导致检测效率缓慢的现象，提高了时间序列异常值检测效率及准确率。
本发明的第一方面提供一种基于人工智能的异常值检测方法，所述方法包括：
解析接收的异常值检测请求，采集第一时间序列数据；
对所述第一时间序列数据进行预处理，得到第二时间序列数据；
按照预设的第一步长对所述第二时间序列数据进行切割，得到多个第三时间序列数据，并将所述多个第三时间序列数据按照时间先后顺序进行排序，形成第一时间序列数据集，对所述第一时间序列数据集进行至少一次迭代异常值检测，直至完成所述第一时间序列数据集中的多个第三时间序列数据的异常值检测，得到异常值检测结果，其中，所述至少一次迭代异常值检测包括：
按照预设的第二步长对所述第一时间序列数据集中的第一个第三时间序列数据进行切割，得到多个第四时间序列数据，并将所述多个第四时间序列数据按照时间先后顺序进行排序，形成第二时间序列数据集；
从所述第二时间序列数据集的第一个第四时间序列数据开始逐次滑动直至滑动至所述第二时间序列数据集的最后一个第四时间序列数据，并计算每次滑动时相邻两个第四时间序列数据之间的相关系数；
根据多次滑动对应的多个相关系数确定是否调整所述预设的第二步长；
当确定调整所述预设的第二步长时，调整所述预设的第二步长得到新步长，及更新所述异常值检测请求中的初始相关系数阈值，根据所述新步长和更新后的初始相关系数阈值对所述第一时间序列数据集中的第二个第三时间序列数据进行下一次迭代异常值检测；
当确定不调整所述预设的第二步长，根据所述预设的第二步长和初始相关系数阈值对所述第一时间序列数据集中的第二个第三时间序列数据进行下一次迭代异常值检测。
可选地，所述对所述第一时间序列数据进行预处理，得到第二时间序列数据包括：
对所述第一时间序列数据进行转换，得到预设格式的第一时间序列数据；
对所述预设格式的第一时间序列数据进行对齐处理，得到对齐后的第一时间序列数据；
根据所述对齐后的第一时间序列数据创建时间序列的索引，根据所述索引判断所述对齐后的第一时间序列数据是否存在缺失；
当所述对齐后的第一时间序列数据存在缺失时，重新采集第一时间序列数据；或者
当所述对齐后的第一时间序列数据不存在缺失时，将所述对齐后的第一时间序列数据确定为第二时间序列数据。
可选地，所述对所述第一时间序列数据进行转换，得到预设格式的第一时间序列数据包括：
采用预设函数转换所述第一时间序列数据，当在转换过程中侦测到无效数据报错时，根据所述异常值检测请求中的无效数据的处理策略处理所述无效数据，得到预设格式的第一时间序列数据，其中，所述无效数据的处理策略包括忽略无效数据或者按照预设的显示方式显示无效数据。
可选地，所述计算每次滑动时相邻两个第四时间序列数据之间的相关系数，所述相关系数采用如下公式计算得到：
其中，X和Y分别表示相邻两个第四时间序列数据，Cov(X,Y)表示X与Y的协方差，Var[X]表示X的方差，Var[Y]表示Y的方差。
可选地，所述根据多次滑动对应的多个相关系数确定是否调整所述预设的第二步长包括：
计算所述多个相关系数的均值与所述预设的第二步长之间的商数；
将所述商数与初始相关系数阈值进行比对；
当所述商数大于所述初始相关系数阈值时，确定调整所述预设的第二步长；或者
当所述商数小于或者等于所述初始相关系数阈值时，确定不调整所述预设的第二步长。
可选地，所述更新所述异常值检测请求中的初始相关系数阈值包括：
计算所述预设的第二步长和所述多个相关系数的均值之商数，得到第一商值；
计算所述新步长和所述多个相关系数中的最大相关系数之商数，得到第二商值；
将所述第一商值和所述第二商值的乘积再乘以所述初始相关系数阈值，得到目标相关系数阈值，并将所述初始相关系数阈值更新为所述目标相关系数阈值。
可选地，所述直至完成所述第一时间序列数据集中的多个第三时间序列数据的异常值检测，得到异常值检测结果包括：
统计整个异常值检测过程中的多个相关系数，并选取出最大相关系数；
计算整个异常值检测过程中多个相关系数阈值的平均值；
计算所述最大相关系数与所述平均值之间的目标差值，并判断所述目标差值是否满足预设的异常值再次检测要求；
当所述目标差值不满足所述预设的异常值再次检测要求时，将所述最大相关系数对应的异常时间序列数据确定为异常值检测结果。
本发明的第二方面提供一种基于人工智能的异常值检测装置，所述装置包括：
解析模块，用于解析接收的异常值检测请求，采集第一时间序列数据；
预处理模块，用于对所述第一时间序列数据进行预处理，得到第二时间序列数据；
第一检测模块，用于按照预设的第一步长对所述第二时间序列数据进行切割，得到多个第三时间序列数据，并将所述多个第三时间序列数据按照时间先后顺序进行排序，形成第一时间序列数据集，对所述第一时间序列数据集进行至少一次迭代异常值检测，直至完成所述第一时间序列数据集中的多个第三时间序列数据的异常值检测，得到异常值检测结果，其中，所述至少一次迭代异常值检测包括：
切割模块，用于按照预设的第二步长对所述第一时间序列数据集中的第一个第三时间序列数据进行切割，得到多个第四时间序列数据，并将所述多个第四时间序列数据按照时间先后顺序进行排序，形成第二时间序列数据集；
滑动模块，用于从所述第二时间序列数据集的第一个第四时间序列数据开始逐次滑动直至滑动至所述第二时间序列数据集的最后一个第四时间序列数据，并计算每次滑动时相邻两个第四时间序列数据之间的相关系数；
确定模块，用于根据多次滑动对应的多个相关系数确定是否调整所述预设的第二步长；
调整模块，用于当确定调整所述预设的第二步长时，调整所述预设的第二步长得到新步长，及更新所述异常值检测请求中的初始相关系数阈值，根据所述新步长和更新后的初始相关系数阈值对所述第一时间序列数据集中的第二个第三时间序列数据进行下一次迭代异常值检测；
第二检测模块，用于当确定不调整所述预设的第二步长，根据所述预设的第二步长和初始相关系数阈值对所述第一时间序列数据集中的第二个第三时间序列数据进行下一次迭代异常值检测。
本发明的第三方面提供一种电子设备，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现所述的基于人工智能的异常值检测方法。
本发明的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于人工智能的异常值检测方法。
综上所述，本发明所述的基于人工智能的异常值检测方法、装置、电子设备及介质，一方面，通过为了确保异常值检测的时效性，对所述第二时间序列进行了两次切割，先按照预设的第一步长将所述第二时间序列数据切割为多个第三时间序列数据，再将每个第三时间序列数据按照预设的第二步长切割为多个第四时间序列数据，同时根据每次迭代异常值检测结果动态调整预设的第二步长和更新初始相关系数阈值进行下一次迭代异常值检测，通过根据相关系数逐步精细分析时间序列数据，提高后续时间序列数据的动态读取、计算与判断处理，进而提高了时间序列数据异常值检测的检测效率及准确率；另一方面，在进行时间序列异常值检测过程中，可能存在获取的第一时间序列数据错位，或者某一段时间缺失的现象，通过对所述第一时间序列数据进行预处理，确保第二时间序列数据的完整性及准确性，避免后续进行时间序列异常值检测过程中出现数据缺失或者数据错位导致检测效率缓慢的现象，提高了时间序列异常值检测效率及准确率；最后，根据计算整个异常值检测过程中多个相关系数阈值的平均值与最大相关系数之间的目标差值，确定是否进行异常值再次检测，进一步提高异常值检测结果的准确率。
附图说明
图1是本发明实施例一提供的基于人工智能的异常值检测方法的流程图。
图2是本发明实施例一提供的至少一次迭代异常值检测的示意图。
图3是本发明实施例二提供的基于人工智能的异常值检测装置的结构图。
图4是本发明实施例三提供的电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
除非另有定义，本文所使用的多个的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
实施例一
图1是本发明实施例一提供的基于人工智能的异常值检测方法的流程图。
在本实施例中，所述基于人工智能的异常值检测方法可以应用于电子设备中，对于需要进行基于人工智能的异常值检测的电子设备，可以直接在电子设备上集成本发明的方法所提供的基于人工智能的异常值检测的功能，或者以软件开发工具包(SoftwareDevelopment Kit，SDK)的形式运行在电子设备中。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习、深度学习等几大方向。
如图1至图2所示，所述基于人工智能的异常值检测方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。
S11，解析接收的异常值检测请求，采集第一时间序列数据。
本实施例中，用户在进行时间序列异常值检测时，通过客户端发起异常值检测请求至服务端，具体地，所述客户端可以是智能手机、IPAD或者其他智能设备，所述服务端可以为异常值检测子系统，在时间序列异常值检测过程中，如所述客户端可以向异常值检测子系统发送异常值检测请求，所述异常值检测子系统用于接收所述客户端发送的异常值检测请求，并解析所述异常值检测请求，采集第一时间序列数据，其中，所述第一时间序列数据中包含有多个时间序列数据。
在一个可选的实施例中，所述解析接收的异常值检测请求，采集第一时间序列数据包括：
解析异常值检测请求，获取采集接口及采集需求；
根据所述采集需求调用所述采集接口采集第一时间序列数据。
本实施例中，在进行第一时间序列数据采集时，可以根据异常值检测请求确定采集接口及采集要求采集第一时间序列数据，具有针对性进行第一时间序列数据采集，避免采集到多余的数据或者错误的数据，提高了第一时间序列数据的采集效率及准确率。
S12，对所述第一时间序列数据进行预处理，得到第二时间序列数据。
本实施例中，在进行时间序列异常值检测过程中，可能存在获取的第一时间序列数据错位，或者某一段时间缺失的现象，通过对所述第一时间序列数据进行预处理，确保第二时间序列数据的完整性及准确性，避免后续进行时间序列异常值检测过程中出现数据缺失或者数据错位导致检测效率缓慢的现象，提高了时间序列异常值检测效率及准确率。
在一个可选的实施例中，所述对所述第一时间序列数据进行预处理，得到第二时间序列数据包括：
对所述第一时间序列数据进行转换，得到预设格式的第一时间序列数据；
对所述预设格式的第一时间序列数据进行对齐处理，得到对齐后的第一时间序列数据；
根据所述对齐后的第一时间序列数据创建时间序列的索引，根据所述索引判断所述对齐后的第一时间序列数据是否存在缺失；
当所述对齐后的第一时间序列数据存在缺失时，重新采集第一时间序列数据；或者
当所述对齐后的第一时间序列数据不存在缺失时，将所述对齐后的第一时间序列数据确定为第二时间序列数据。
本实施例中，通过创建时间序列的索引，可以通过遍历所述索引确定出对齐后的第一时间序列数据是否存在缺失，无需全部遍历对齐后的第一时间序列数据，提高了确定对齐后的第一时间序列数据是否存在缺失的效率。
进一步地，所述对所述第一时间序列数据进行转换，得到预设格式的第一时间序列数据包括：
采用预设函数转换所述第一时间序列数据，当在转换过程中侦测到无效数据报错时，根据所述异常值检测请求中的无效数据的处理策略处理所述无效数据，得到预设格式的第一时间序列数据，其中，所述无效数据的处理策略包括忽略无效数据或者按照预设的显示方式显示无效数据。
本实施例中，可以采用pd.to_datetime()对所述第一时间序列数据进行转换，所述预设的显示方式可以包括将所述无效数据替换为NaT，其他可以辨识的字符或者颜色。
S13，按照预设的第一步长对所述第二时间序列数据进行切割，得到多个第三时间序列数据，并将所述多个第三时间序列数据按照时间先后顺序进行排序，形成第一时间序列数据集，对所述第一时间序列数据集进行至少一次迭代异常值检测，直至完成所述第一时间序列数据集中的多个第三时间序列数据的异常值检测，得到异常值检测结果，其中，所述至少一次迭代异常值检测包括：
S131，按照预设的第二步长对所述第一时间序列数据集中的第一个第三时间序列数据进行切割，得到多个第四时间序列数据，并将所述多个第四时间序列数据按照时间先后顺序进行排序，形成第二时间序列数据集。
本实施例中，为了确保异常值检测的时效性，对所述第二时间序列进行了两次切割，先按照预设的第一步长将所述第二时间序列数据切割为多个第三时间序列数据，再将每个第三时间序列数据按照预设的第二步长切割为多个第四时间序列数据，同时根据每次迭代异常值检测结果动态调整预设的第二步长，使得切割得到的时间序列数据更加的合理，实现时间序列数据异常值的快速发现和准确定位。
S132，从所述第二时间序列数据集的第一个第四时间序列数据开始逐次滑动直至滑动至所述第二时间序列数据集的最后一个第四时间序列数据，并计算每次滑动时相邻两个第四时间序列数据之间的相关系数。
本实施例中，按照时间的先后顺序从第一个第四时间序列数据逐次滑动计算相邻两个第四时间序列数据之间的相关系数。
在一个可选的实施例中，所述计算每次滑动时相邻两个第四时间序列数据之间的相关系数，所述相关系数采用如下公式计算得到：
其中，X和Y分别表示相邻两个第四时间序列数据，Cov(X,Y)表示X与Y的协方差，Var[X]表示X的方差，Var[Y]表示Y的方差。
S133，根据多次滑动对应的多个相关系数确定是否调整所述预设的第二步长。
本实施例中，在进行异常值检测过程中，可以根据计算得到的多个相关系数，对所述多个相关系数进行异常值评估，根据评估结果确定是否调整所述预设的第二步长，即当前异常值检测所采用的步长。
在一个可选的实施例中，所述根据多次滑动对应的多个相关系数确定是否调整所述预设的第二步长包括：
计算所述多个相关系数的均值与所述预设的第二步长之间的商数；
将所述商数与初始相关系数阈值进行比对；
当所述商数大于所述初始相关系数阈值时，确定调整所述预设的第二步长；或者
当所述商数小于或者等于所述初始相关系数阈值时，确定不调整所述预设的第二步长。
S134，当确定调整所述预设的第二步长时，调整所述预设的第二步长得到新步长，及更新所述异常值检测请求中的初始相关系数阈值，根据所述新步长和更新后的初始相关系数阈值对所述第一时间序列数据集中的第二个第三时间序列数据进行下一次迭代异常值检测。
本实施例中，所述调整所述预设的第二步长得到新步长包括：
将预设的调整参数与所述预设的第二步长的乘积，确定为新步长。
本实施例中，可以预先设置调整参数，具体地，所述预设的调整参数可以设置为：0.618，通过根据相关系数逐步精细分析时间序列数据，提高后续时间序列数据的动态读取、计算与判断处理，进而提高了时间序列数据异常值检测的检测效率及准确率。
在一个可选的实施例中，所述更新所述异常值检测请求中的初始相关系数阈值包括：
计算所述预设的第二步长和所述多个相关系数的均值之商数，得到第一商值；
计算所述新步长和所述多个相关系数中的最大相关系数之商数，得到第二商值；
将所述第一商值和所述第二商值的乘积再乘以所述初始相关系数阈值，得到目标相关系数阈值，并将所述初始相关系数阈值更新为所述目标相关系数阈值。
本实施例中，通过根据上次迭代异常值检测过程中的多个相关系数调整所述预设的第二步长及更新所述异常值检测请求中的初始相关系数阈值，并根据新步长和更新后的初始相关系数阈值进行下一次迭代异常值检测，使得下一次迭代异常值检测中所使用的步长和相关系数阈值更加合理，提高了时间序列数据异常值检测的检测效率及准确率。
S135，当确定不调整所述预设的第二步长，根据所述预设的第二步长和初始相关系数阈值对所述第一时间序列数据集中的第二个第三时间序列数据进行下一次迭代异常值检测。
本实施例中，在确定不调整所述预设的第二步长时，确定当前异常值检测所采用的预设的第二步长满足当次异常值检测要求，无需更新所述异常值检测请求中的初始相关系数阈值，并根据所述预设的第二步长和所述初始相关系数阈值对所述第一时间序列数据集中的第二个第三时间序列数据进行下一次迭代异常值检测。
在一个可选的实施例中，所述直至完成所述第一时间序列数据集中的多个第三时间序列数据的异常值检测，得到异常值检测结果包括：
统计整个异常值检测过程中的多个相关系数，并选取出最大相关系数；
计算整个异常值检测过程中多个相关系数阈值的平均值；
计算所述最大相关系数与所述平均值之间的目标差值，并判断所述目标差值是否满足预设的异常值再次检测要求；
当所述目标差值不满足所述预设的异常值再次检测要求时，将所述最大相关系数对应的异常时间序列数据确定为异常值检测结果。
进一步地，所述方法还包括：
当所述目标差值满足所述预设的异常值再次检测要求时，对所述异常值检测结果中的异常时间序列数据进行异常值再次检测，直至所述最大相关系数与所述平均值之间的目标差值不满足所述预设的异常值再次检测要求时，将所述最大相关系数对应的异常时间序列数据确定为异常值检测结果。
本实施例中，在得到异常值检测结果之后，可以重复执行步骤S13，进行异常值再次检测，进一步提高异常值检测结果的准确率。
综上所述，本实施例所述的一种基于人工智能的异常值检测方法，一方面，通过为了确保异常值检测的时效性，对所述第二时间序列进行了两次切割，先按照预设的第一步长将所述第二时间序列数据切割为多个第三时间序列数据，再将每个第三时间序列数据按照预设的第二步长切割为多个第四时间序列数据，同时根据每次迭代异常值检测结果动态调整预设的第二步长和更新初始相关系数阈值进行下一次迭代异常值检测，通过根据相关系数逐步精细分析时间序列数据，提高后续时间序列数据的动态读取、计算与判断处理，进而提高了时间序列数据异常值检测的检测效率及准确率；另一方面，在进行时间序列异常值检测过程中，可能存在获取的第一时间序列数据错位，或者某一段时间缺失的现象，通过对所述第一时间序列数据进行预处理，确保第二时间序列数据的完整性及准确性，避免后续进行时间序列异常值检测过程中出现数据缺失或者数据错位导致检测效率缓慢的现象，提高了时间序列异常值检测效率及准确率；最后，根据计算整个异常值检测过程中多个相关系数阈值的平均值与最大相关系数之间的目标差值，确定是否进行异常值再次检测，进一步提高异常值检测结果的准确率。
实施例二
图3是本发明实施例二提供的基于人工智能的异常值检测装置的结构图。
在一些实施例中，所述基于人工智能的异常值检测装置20可以包括多个由程序代码段所组成的功能模块。所述基于人工智能的异常值检测装置20中的各个程序段的程序代码可以存储于电子设备的存储器中，并由所述至少一个处理器所执行，以执行(详见图1至图2描述)基于人工智能的异常值检测的功能。
本实施例中，所述基于人工智能的异常值检测装置20根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：解析模块201、预处理模块202、第一检测模块203、切割模块204、滑动模块205、确定模块206、调整模块207及第二检测模块208。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。
解析模块201，用于解析接收的异常值检测请求，采集第一时间序列数据。
本实施例中，用户在进行时间序列异常值检测时，通过客户端发起异常值检测请求至服务端，具体地，所述客户端可以是智能手机、IPAD或者其他智能设备，所述服务端可以为异常值检测子系统，在时间序列异常值检测过程中，如所述客户端可以向异常值检测子系统发送异常值检测请求，所述异常值检测子系统用于接收所述客户端发送的异常值检测请求，并解析所述异常值检测请求，采集第一时间序列数据，其中，所述第一时间序列数据中包含有多个时间序列数据。
在一个可选的实施例中，所述解析模块201解析接收的异常值检测请求，采集第一时间序列数据包括：
解析异常值检测请求，获取采集接口及采集需求；
根据所述采集需求调用所述采集接口采集第一时间序列数据。
本实施例中，在进行第一时间序列数据采集时，可以根据异常值检测请求确定采集接口及采集要求采集第一时间序列数据，具有针对性进行第一时间序列数据采集，避免采集到多余的数据或者错误的数据，提高了第一时间序列数据的采集效率及准确率。
预处理模块202，用于对所述第一时间序列数据进行预处理，得到第二时间序列数据。
本实施例中，在进行时间序列异常值检测过程中，可能存在获取的第一时间序列数据错位，或者某一段时间缺失的现象，通过对所述第一时间序列数据进行预处理，确保第二时间序列数据的完整性及准确性，避免后续进行时间序列异常值检测过程中出现数据缺失或者数据错位导致检测效率缓慢的现象，提高了时间序列异常值检测效率及准确率。
在一个可选的实施例中，所述预处理模块202对所述第一时间序列数据进行预处理，得到第二时间序列数据包括：
对所述第一时间序列数据进行转换，得到预设格式的第一时间序列数据；
对所述预设格式的第一时间序列数据进行对齐处理，得到对齐后的第一时间序列数据；
根据所述对齐后的第一时间序列数据创建时间序列的索引，根据所述索引判断所述对齐后的第一时间序列数据是否存在缺失；
当所述对齐后的第一时间序列数据存在缺失时，重新采集第一时间序列数据；或者
当所述对齐后的第一时间序列数据不存在缺失时，将所述对齐后的第一时间序列数据确定为第二时间序列数据。
本实施例中，通过创建时间序列的索引，可以通过遍历所述索引确定出对齐后的第一时间序列数据是否存在缺失，无需全部遍历对齐后的第一时间序列数据，提高了确定对齐后的第一时间序列数据是否存在缺失的效率。
进一步地，所述对所述第一时间序列数据进行转换，得到预设格式的第一时间序列数据包括：
采用预设函数转换所述第一时间序列数据，当在转换过程中侦测到无效数据报错时，根据所述异常值检测请求中的无效数据的处理策略处理所述无效数据，得到预设格式的第一时间序列数据，其中，所述无效数据的处理策略包括忽略无效数据或者按照预设的显示方式显示无效数据。
本实施例中，可以采用pd.to_datetime()对所述第一时间序列数据进行转换，所述预设的显示方式可以包括将所述无效数据替换为NaT，其他可以辨识的字符或者颜色。
第一检测模块203，用于按照预设的第一步长对所述第二时间序列数据进行切割，得到多个第三时间序列数据，并将所述多个第三时间序列数据按照时间先后顺序进行排序，形成第一时间序列数据集，对所述第一时间序列数据集进行至少一次迭代异常值检测，直至完成所述第一时间序列数据集中的多个第三时间序列数据的异常值检测，得到异常值检测结果，其中，所述至少一次迭代异常值检测包括：
切割模块204，用于按照预设的第二步长对所述第一时间序列数据集中的第一个第三时间序列数据进行切割，得到多个第四时间序列数据，并将所述多个第四时间序列数据按照时间先后顺序进行排序，形成第二时间序列数据集。
本实施例中，为了确保异常值检测的时效性，对所述第二时间序列进行了两次切割，先按照预设的第一步长将所述第二时间序列数据切割为多个第三时间序列数据，再将每个第三时间序列数据按照预设的第二步长切割为多个第四时间序列数据，同时根据每次迭代异常值检测结果动态调整预设的第二步长，使得切割得到的时间序列数据更加的合理，实现时间序列数据异常值的快速发现和准确定位。
滑动模块205，用于从所述第二时间序列数据集的第一个第四时间序列数据开始逐次滑动直至滑动至所述第二时间序列数据集的最后一个第四时间序列数据，并计算每次滑动时相邻两个第四时间序列数据之间的相关系数。
本实施例中，按照时间的先后顺序从第一个第四时间序列数据逐次滑动计算相邻两个第四时间序列数据之间的相关系数。
在一个可选的实施例中，所述滑动模块205计算每次滑动时相邻两个第四时间序列数据之间的相关系数，所述相关系数采用如下公式计算得到：
其中，X和Y分别表示相邻两个第四时间序列数据，Cov(X,Y)表示X与Y的协方差，Var[X]表示X的方差，Var[Y]表示Y的方差。
确定模块206，用于根据多次滑动对应的多个相关系数确定是否调整所述预设的第二步长。
本实施例中，在进行异常值检测过程中，可以根据计算得到的多个相关系数，对所述多个相关系数进行异常值评估，根据评估结果确定是否调整所述预设的第二步长，即当前异常值检测所采用的步长。
在一个可选的实施例中，所述确定模块206根据多次滑动对应的多个相关系数确定是否调整所述预设的第二步长包括：
计算所述多个相关系数的均值与所述预设的第二步长之间的商数；
将所述商数与初始相关系数阈值进行比对；
当所述商数大于所述初始相关系数阈值时，确定调整所述预设的第二步长；或者
当所述商数小于或者等于所述初始相关系数阈值时，确定不调整所述预设的第二步长。
调整模块207，用于当确定调整所述预设的第二步长时，调整所述预设的第二步长得到新步长，及更新所述异常值检测请求中的初始相关系数阈值，根据所述新步长和更新后的初始相关系数阈值对所述第一时间序列数据集中的第二个第三时间序列数据进行下一次迭代异常值检测。
本实施例中，所述调整所述预设的第二步长得到新步长包括：
将预设的调整参数与所述预设的第二步长的乘积，确定为新步长。
本实施例中，可以预先设置调整参数，具体地，所述预设的调整参数可以设置为：0.618，通过根据相关系数逐步精细分析时间序列数据，提高后续时间序列数据的动态读取、计算与判断处理，进而提高了时间序列数据异常值检测的检测效率及准确率。
在一个可选的实施例中，所述调整模块207更新所述异常值检测请求中的初始相关系数阈值包括：
计算所述预设的第二步长和所述多个相关系数的均值之商数，得到第一商值；
计算所述新步长和所述多个相关系数中的最大相关系数之商数，得到第二商值；
将所述第一商值和所述第二商值的乘积再乘以所述初始相关系数阈值，得到目标相关系数阈值，并将所述初始相关系数阈值更新为所述目标相关系数阈值。
本实施例中，通过根据上次迭代异常值检测过程中的多个相关系数调整所述预设的第二步长及更新所述异常值检测请求中的初始相关系数阈值，并根据新步长和更新后的初始相关系数阈值进行下一次迭代异常值检测，使得下一次迭代异常值检测中所使用的步长和相关系数阈值更加合理，提高了时间序列数据异常值检测的检测效率及准确率。
第二检测模块208，用于当确定不调整所述预设的第二步长，根据所述预设的第二步长和初始相关系数阈值对所述第一时间序列数据集中的第二个第三时间序列数据进行下一次迭代异常值检测。
本实施例中，在确定不调整所述预设的第二步长时，确定当前异常值检测所采用的预设的第二步长满足当次异常值检测要求，无需更新所述异常值检测请求中的初始相关系数阈值，并根据所述预设的第二步长和所述初始相关系数阈值对所述第一时间序列数据集中的第二个第三时间序列数据进行下一次迭代异常值检测。
在一个可选的实施例中，所述第二检测模块208直至完成所述第一时间序列数据集中的多个第三时间序列数据的异常值检测，得到异常值检测结果包括：
统计整个异常值检测过程中的多个相关系数，并选取出最大相关系数；
计算整个异常值检测过程中多个相关系数阈值的平均值；
计算所述最大相关系数与所述平均值之间的目标差值，并判断所述目标差值是否满足预设的异常值再次检测要求；
当所述目标差值不满足所述预设的异常值再次检测要求时，将所述最大相关系数对应的异常时间序列数据确定为异常值检测结果。
进一步地，当所述目标差值满足所述预设的异常值再次检测要求时，对所述异常值检测结果中的异常时间序列数据进行异常值再次检测，直至所述最大相关系数与所述平均值之间的目标差值不满足所述预设的异常值再次检测要求时，将所述最大相关系数对应的异常时间序列数据确定为异常值检测结果。
本实施例中，在得到异常值检测结果之后，可以重复运行所述第一检测模块203进行异常值再次检测，进一步提高异常值检测结果的准确率。
综上所述，本实施例所述的一种基于人工智能的异常值检测装置，一方面，通过为了确保异常值检测的时效性，对所述第二时间序列进行了两次切割，先按照预设的第一步长将所述第二时间序列数据切割为多个第三时间序列数据，再将每个第三时间序列数据按照预设的第二步长切割为多个第四时间序列数据，同时根据每次迭代异常值检测结果动态调整预设的第二步长和更新初始相关系数阈值进行下一次迭代异常值检测，通过根据相关系数逐步精细分析时间序列数据，提高后续时间序列数据的动态读取、计算与判断处理，进而提高了时间序列数据异常值检测的检测效率及准确率；另一方面，在进行时间序列异常值检测过程中，可能存在获取的第一时间序列数据错位，或者某一段时间缺失的现象，通过对所述第一时间序列数据进行预处理，确保第二时间序列数据的完整性及准确性，避免后续进行时间序列异常值检测过程中出现数据缺失或者数据错位导致检测效率缓慢的现象，提高了时间序列异常值检测效率及准确率；最后，根据计算整个异常值检测过程中多个相关系数阈值的平均值与最大相关系数之间的目标差值，确定是否进行异常值再次检测，进一步提高异常值检测结果的准确率。
实施例三
参阅图4所示，为本发明实施例三提供的电子设备的结构示意图。在本发明较佳实施例中，所述电子设备3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。
本领域技术人员应该了解，图4示出的电子设备的结构并不构成本发明实施例的限定，既可以是总线型结构，也可以是星形结构，所述电子设备3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。
在一些实施例中，所述电子设备3是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的电子设备，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述电子设备3还可包括客户设备，所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、数码相机等。
需要说明的是，所述电子设备3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
在一些实施例中，所述存储器31用于存储程序代码和各种数据，例如安装在所述电子设备3中的基于人工智能的异常值检测装置20，并在电子设备3的运行过程中实现高速、自动地完成程序或数据的存取。所述存储器31包括只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
在一些实施例中，所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述至少一个处理器32是所述电子设备3的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行电子设备3的各种功能和处理数据。
在一些实施例中，所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。
尽管未示出，所述电子设备3还可以包括给各个部件供电的电源(比如电池)，可选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分。
在进一步的实施例中，结合图3，所述至少一个处理器32可执行所述电子设备3的操作装置以及安装的各类应用程序(如所述的基于人工智能的异常值检测装置20)、程序代码等，例如，上述的各个模块。
所述存储器31中存储有程序代码，且所述至少一个处理器32可调用所述存储器31中存储的程序代码以执行相关的功能。例如，图3中所述的各个模块是存储在所述存储器31中的程序代码，并由所述至少一个处理器32所执行，从而实现所述各个模块的功能以达到基于人工智能的异常值检测的目的。
示例性的，所述程序代码可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述处理器32执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述程序代码在所述电子设备3中的执行过程。例如，所述程序代码可以被分割成解析模块201、预处理模块202、第一检测模块203、切割模块204、滑动模块205、确定模块206、调整模块207及第二检测模块208。
在本发明的一个实施例中，所述存储器31存储多个计算机可读指令，所述多个计算机可读指令被所述至少一个处理器32所执行以实现基于人工智能的异常值检测的功能。
具体地，所述至少一个处理器32对上述指令的具体实现方法可参考图1至图2对应实施例中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的多个变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。本发明中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种基于人工智能的异常值检测方法，其特征在于，所述方法包括：
解析接收的异常值检测请求，采集第一时间序列数据；
对所述第一时间序列数据进行预处理，得到第二时间序列数据，包括：对所述第一时间序列数据进行转换，得到预设格式的第一时间序列数据；对所述预设格式的第一时间序列数据进行对齐处理，得到对齐后的第一时间序列数据；根据所述对齐后的第一时间序列数据创建时间序列的索引，根据所述索引判断所述对齐后的第一时间序列数据是否存在缺失；当所述对齐后的第一时间序列数据存在缺失时，重新采集第一时间序列数据；或者，当所述对齐后的第一时间序列数据不存在缺失时，将所述对齐后的第一时间序列数据确定为第二时间序列数据；
按照预设的第一步长对所述第二时间序列数据进行切割，得到多个第三时间序列数据，并将所述多个第三时间序列数据按照时间先后顺序进行排序，形成第一时间序列数据集，对所述第一时间序列数据集进行至少一次迭代异常值检测，直至完成所述第一时间序列数据集中的多个第三时间序列数据的异常值检测，得到异常值检测结果，其中，所述至少一次迭代异常值检测包括：
按照预设的第二步长对所述第一时间序列数据集中的第一个第三时间序列数据进行切割，得到多个第四时间序列数据，并将所述多个第四时间序列数据按照时间先后顺序进行排序，形成第二时间序列数据集；
从所述第二时间序列数据集的第一个第四时间序列数据开始逐次滑动直至滑动至所述第二时间序列数据集的最后一个第四时间序列数据，并计算每次滑动时相邻两个第四时间序列数据之间的相关系数；
根据多次滑动对应的多个相关系数确定是否调整所述预设的第二步长；
当确定调整所述预设的第二步长时，调整所述预设的第二步长得到新步长，及更新所述异常值检测请求中的初始相关系数阈值，根据所述新步长和更新后的初始相关系数阈值对所述第一时间序列数据集中的第二个第三时间序列数据进行下一次迭代异常值检测；
当确定不调整所述预设的第二步长，根据所述预设的第二步长和初始相关系数阈值对所述第一时间序列数据集中的第二个第三时间序列数据进行下一次迭代异常值检测。
2.如权利要求1所述的基于人工智能的异常值检测方法，其特征在于，所述对所述第一时间序列数据进行转换，得到预设格式的第一时间序列数据包括：
采用预设函数转换所述第一时间序列数据，当在转换过程中侦测到无效数据报错时，根据所述异常值检测请求中的无效数据的处理策略处理所述无效数据，得到预设格式的第一时间序列数据，其中，所述无效数据的处理策略包括忽略无效数据或者按照预设的显示方式显示无效数据。
3.如权利要求1所述的基于人工智能的异常值检测方法，其特征在于，所述计算每次滑动时相邻两个第四时间序列数据之间的相关系数，所述相关系数采用如下公式计算得到：
，
其中，X和Y分别表示相邻两个第四时间序列数据，表示X与Y的协方差，表示X的方差，/>表示Y的方差。
4.如权利要求1所述的基于人工智能的异常值检测方法，其特征在于，所述根据多次滑动对应的多个相关系数确定是否调整所述预设的第二步长包括：
计算所述多个相关系数的均值与所述预设的第二步长之间的商数；
将所述商数与初始相关系数阈值进行比对；
当所述商数大于所述初始相关系数阈值时，确定调整所述预设的第二步长；或者
当所述商数小于或者等于所述初始相关系数阈值时，确定不调整所述预设的第二步长。
5.如权利要求1所述的基于人工智能的异常值检测方法，其特征在于，所述更新所述异常值检测请求中的初始相关系数阈值包括：
计算所述预设的第二步长和所述多个相关系数的均值之商数，得到第一商值；
计算所述新步长和所述多个相关系数中的最大相关系数之商数，得到第二商值；
将所述第一商值和所述第二商值的乘积再乘以所述初始相关系数阈值，得到目标相关系数阈值，并将所述初始相关系数阈值更新为所述目标相关系数阈值。
6.如权利要求1所述的基于人工智能的异常值检测方法，其特征在于，所述直至完成所述第一时间序列数据集中的多个第三时间序列数据的异常值检测，得到异常值检测结果包括：
统计整个异常值检测过程中的多个相关系数，并选取出最大相关系数；
计算整个异常值检测过程中多个相关系数阈值的平均值；
计算所述最大相关系数与所述平均值之间的目标差值，并判断所述目标差值是否满足预设的异常值再次检测要求；
当所述目标差值不满足所述预设的异常值再次检测要求时，将所述最大相关系数对应的异常时间序列数据确定为异常值检测结果。
7.一种基于人工智能的异常值检测装置，其特征在于，所述装置用于实现如权利要求1至6中任意一项所述的基于人工智能的异常值检测方法，所述装置包括：
解析模块，用于解析接收的异常值检测请求，采集第一时间序列数据；
预处理模块，用于对所述第一时间序列数据进行预处理，得到第二时间序列数据；
第一检测模块，用于按照预设的第一步长对所述第二时间序列数据进行切割，得到多个第三时间序列数据，并将所述多个第三时间序列数据按照时间先后顺序进行排序，形成第一时间序列数据集，对所述第一时间序列数据集进行至少一次迭代异常值检测，直至完成所述第一时间序列数据集中的多个第三时间序列数据的异常值检测，得到异常值检测结果，其中，所述至少一次迭代异常值检测包括：
切割模块，用于按照预设的第二步长对所述第一时间序列数据集中的第一个第三时间序列数据进行切割，得到多个第四时间序列数据，并将所述多个第四时间序列数据按照时间先后顺序进行排序，形成第二时间序列数据集；
滑动模块，用于从所述第二时间序列数据集的第一个第四时间序列数据开始逐次滑动直至滑动至所述第二时间序列数据集的最后一个第四时间序列数据，并计算每次滑动时相邻两个第四时间序列数据之间的相关系数；
确定模块，用于根据多次滑动对应的多个相关系数确定是否调整所述预设的第二步长；
调整模块，用于当确定调整所述预设的第二步长时，调整所述预设的第二步长得到新步长，及更新所述异常值检测请求中的初始相关系数阈值，根据所述新步长和更新后的初始相关系数阈值对所述第一时间序列数据集中的第二个第三时间序列数据进行下一次迭代异常值检测；
第二检测模块，用于当确定不调整所述预设的第二步长，根据所述预设的第二步长和初始相关系数阈值对所述第一时间序列数据集中的第二个第三时间序列数据进行下一次迭代异常值检测。
8.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1至6中任意一项所述的基于人工智能的异常值检测方法。
9.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的基于人工智能的异常值检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110975516.8A CN113688125B (zh) | 2021-08-24 | 2021-08-24 | 基于人工智能的异常值检测方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110975516.8A CN113688125B (zh) | 2021-08-24 | 2021-08-24 | 基于人工智能的异常值检测方法、装置、电子设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113688125A CN113688125A (zh) | 2021-11-23 |
| CN113688125B true CN113688125B (zh) | 2023-12-05 |
Family
ID=78581948
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110975516.8A Active CN113688125B (zh) | 2021-08-24 | 2021-08-24 | 基于人工智能的异常值检测方法、装置、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113688125B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117278643B (zh) * | 2023-11-20 | 2024-01-26 | 杭州广安汽车电器有限公司 | 基于云边协同的车载云标定数据传输系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108985632A (zh) * | 2018-07-16 | 2018-12-11 | 国网上海市电力公司 | 一种基于孤立森林算法的用电数据异常检测模型 |
| CN109726731A (zh) * | 2018-07-26 | 2019-05-07 | 平安科技（深圳）有限公司 | 用电量异常检测方法、装置、设备及可读存储介质 |
| CN110851338A (zh) * | 2019-09-23 | 2020-02-28 | 平安科技（深圳）有限公司 | 异常检测方法、电子设备及存储介质 |
| CN111553463A (zh) * | 2020-04-17 | 2020-08-18 | 东南大学 | 基于深度学习和网络参数估计无线接入点吞吐量的方法 |
| WO2020218663A1 (ko) * | 2019-04-23 | 2020-10-29 | (주) 위세아이텍 | 빅데이터의 이상값 탐지 프로세스 자동화 장치 및 방법 |
| CN112527788A (zh) * | 2020-12-17 | 2021-03-19 | 北京中恒博瑞数字电力科技有限公司 | 变压器监测数据异常值检测与清洗的方法及装置 |
| CN113256020A (zh) * | 2021-06-15 | 2021-08-13 | 国网浙江省电力有限公司 | 一种考虑多尺度时间序列的供电系统成本预测方法 |
-
2021
- 2021-08-24 CN CN202110975516.8A patent/CN113688125B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108985632A (zh) * | 2018-07-16 | 2018-12-11 | 国网上海市电力公司 | 一种基于孤立森林算法的用电数据异常检测模型 |
| CN109726731A (zh) * | 2018-07-26 | 2019-05-07 | 平安科技（深圳）有限公司 | 用电量异常检测方法、装置、设备及可读存储介质 |
| WO2020218663A1 (ko) * | 2019-04-23 | 2020-10-29 | (주) 위세아이텍 | 빅데이터의 이상값 탐지 프로세스 자동화 장치 및 방법 |
| CN110851338A (zh) * | 2019-09-23 | 2020-02-28 | 平安科技（深圳）有限公司 | 异常检测方法、电子设备及存储介质 |
| CN111553463A (zh) * | 2020-04-17 | 2020-08-18 | 东南大学 | 基于深度学习和网络参数估计无线接入点吞吐量的方法 |
| CN112527788A (zh) * | 2020-12-17 | 2021-03-19 | 北京中恒博瑞数字电力科技有限公司 | 变压器监测数据异常值检测与清洗的方法及装置 |
| CN113256020A (zh) * | 2021-06-15 | 2021-08-13 | 国网浙江省电力有限公司 | 一种考虑多尺度时间序列的供电系统成本预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113688125A (zh) | 2021-11-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114663223A (zh) | 基于人工智能的信用风险评估方法、装置及相关设备 | |
| CN113268403B (zh) | 时间序列的分析预测方法、装置、设备及存储介质 | |
| CN113688125B (zh) | 基于人工智能的异常值检测方法、装置、电子设备及介质 | |
| CN116866095A (zh) | 一种带触控面板的工业路由器及其待机控制方法 | |
| CN115080373A (zh) | 配电终端操作系统的性能检测方法、装置、设备及介质 | |
| CN114201328A (zh) | 基于人工智能的故障处理方法、装置、电子设备及介质 | |
| CN116108276A (zh) | 基于人工智能的信息推荐方法、装置及相关设备 | |
| CN115344495A (zh) | 批量任务测试的数据分析方法、装置、计算机设备及介质 | |
| CN116033633A (zh) | 基于深度学习的灯光控制方法、装置、设备及存储介质 | |
| CN115907391A (zh) | 一种电能表检定任务的调度方法及系统 | |
| CN114239538A (zh) | 断言处理方法、装置、计算机设备及存储介质 | |
| CN114398345A (zh) | 数据迁移方法、装置、计算机设备及存储介质 | |
| CN114817449A (zh) | 基于人工智能的文本搜索排序方法、装置及相关设备 | |
| CN114416417A (zh) | 系统异常监测方法、装置、设备及存储介质 | |
| CN114968336A (zh) | 应用灰度发布方法、装置、计算机设备及存储介质 | |
| CN114490590A (zh) | 数据仓库质量评价方法、装置、电子设备及存储介质 | |
| CN111462087B (zh) | 基于人工智能的图像检测方法、装置、系统及存储介质 | |
| CN113792681B (zh) | 基于点云匹配的信息采集方法、装置、电子设备及介质 | |
| CN113435800A (zh) | 基于大数据的标注任务执行方法、装置、电子设备及介质 | |
| JP6714160B2 (ja) | データリニエージ検出装置、データリニエージ検出方法、及びデータリニエージ検出プログラム | |
| CN114637564B (zh) | 数据可视化方法、装置、电子设备及存储介质 | |
| CN113722590B (zh) | 基于人工智能的医学信息推荐方法、装置、设备及介质 | |
| CN115329148B (zh) | 一种基于多重大数据处理的数据筛选整合方法及系统 | |
| CN113254728B (zh) | 任务信息展示方法、装置、电子设备及存储介质 | |
| US20230196104A1 (en) | Agent enabled architecture for prediction using bi-directional long short-term memory for resource allocation |
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 |