CN113762685A - 异常用户的检测方法、装置及电子设备 - Google Patents
异常用户的检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113762685A CN113762685A CN202011584139.7A CN202011584139A CN113762685A CN 113762685 A CN113762685 A CN 113762685A CN 202011584139 A CN202011584139 A CN 202011584139A CN 113762685 A CN113762685 A CN 113762685A
- Authority
- CN
- China
- Prior art keywords
- usage
- sequence
- user
- time period
- time
- 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
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 134
- 238000001514 detection method Methods 0.000 title abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000012937 correction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 2
- 230000002547 anomalous effect Effects 0.000 claims 2
- 238000007689 inspection Methods 0.000 abstract description 15
- 238000004883 computer application Methods 0.000 abstract description 2
- 230000003442 weekly effect Effects 0.000 description 25
- 238000007619 statistical method Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- -1 electricity Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提出一种异常用户的检测方法、装置及电子设备,属于计算机应用技术领域。其中,该异常用户的检测方法包括:获取待检测用户的用量时序;从待检测用户的用量时序之中提取第一时间周期用量时序和第二时间周期用量时序,其中,第二时间周期大于第一时间周期;根据第一时间周期用量时序生成第一用量序列,并根据所第二时间周期用量时序生成第二用量序列;根据第一用量序列和第二用量序列生成模式熵;根据模式熵判断待检测用户是否为异常用户。由此,通过这种异常用户的检测方法,根据用户的双周期用量模式的稳定性筛选出异常用户,不仅提升了异常用户检测的准确性,而且缩小了实地稽查的范围,降低了人力成本。
Description
技术领域
本申请涉及计算机应用技术领域,尤其涉及一种异常用户的检测方法、装置及电子设备。
背景技术
水、电、燃气等用户的偷盗气现象十分普遍。比如,在燃气行业,为了减少计量用气,降低需缴纳的气费,盗气用户采用破坏计量设备、连接旁通管道等手段进行燃气盗窃。该行为不仅给供气公司造成巨大的经济损失,而且可能造成燃气泄漏甚至爆炸,严重威胁社会公共安全。
相关技术中,燃气行业通常通过实地稽查的方式实现可疑偷盗气检测。燃气公司业务人员的实地稽查行动包括查表收费、维修巡检、计量运维、专项排查等,除了检查用气设备,同时还需查对历史台账数据,比较供销差额度。但是,该方法不仅人力成本较高,而且极大地依赖于业务人员的经验,存在随机性和滞后性,检测准确性较低。
发明内容
本申请提出的异常用户的检测方法、装置、电子设备及存储介质,用于解决相关技术中,通过实地稽查实现异常用户检测的方法,不仅人力成本较高,而且极大地依赖于业务人员的经验,存在随机性和滞后性,检测准确性较低的问题。
本申请一方面实施例提出的异常用户的检测方法,包括:获取待检测用户的用量时序;从所述待检测用户的用量时序之中提取多个第一时间周期用量时序和多个第二时间周期用量时序,其中,所述第二时间周期大于所述第一时间周期;根据每个所述第一时间周期用量时序生成第一用量序列,并根据每个所述第二时间周期用量时序生成第二用量序列;根据所述第一用量序列和所述第二用量序列生成模式熵;以及根据所述模式熵判断所述待检测用户是否为异常用户。
本申请另一方面实施例提出的异常用户的检测装置,包括:第一获取模块,用于获取待检测用户的用量时序;提取模块,用于从所述待检测用户的用量时序之中提取多个第一时间周期用量时序和多个第二时间周期用量时序,其中,所述第二时间周期大于所述第一时间周期;第一生成模块,用于根据每个所述第一时间周期用量时序生成第一用量序列,并根据每个所述第二时间周期用量时序生成第二用量序列;第二生成模块,用于根据所述第一用量序列和所述第二用量序列生成模式熵;以及判断模块,用于根据所述模式熵判断所述待检测用户是否为异常用户。
本申请再一方面实施例提出的电子设备,其包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如前所述的异常用户的检测方法。
本申请又一方面实施例提出的计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如前所述的异常用户的检测方法。
本申请实施例提供的异常用户的检测方法、装置、电子设备及计算机可读存储介质,通过获取待检测用户的用量时序,并从待检测用户的用量时序之中提取多个第一时间周期用量时序和多个第二时间周期用量时序,之后根据每个第一时间周期用量时序生成第一用量序列,以及根据每个第二时间周期用量时序生成第二用量序列,进而根据第一用量序列和第二用量序列的模式熵,判断待检测用户是否为异常用户。由此,通过对用户在两个时间周期的用量时序进行统计,以挖掘用户的双周期用量模式,并通过第一用量序列与第二用量序列的模式熵表征双周期用量模式的稳定性,以根据模式熵筛选出异常用户,从而通过根据用户的双周期用量模式的稳定性筛选出异常用户,不仅提升了异常用户检测的准确性,而且缩小了实地稽查的范围,降低了人力成本。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例所提供的一种异常用户的检测方法的流程示意图;
图2为本申请实施例所提供的另一种异常用户的检测方法的流程示意图;
图3为一种生成模式熵的流程示意图;
图4为本申请实施例所提供的再一种异常用户的检测方法的流程示意图;
图5为本申请实施例提供的一种异常用户的检测装置的结构示意图;
图6为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的要素。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
本申请实施例针对相关技术中,通过实地稽查实现异常用户检测的方法,不仅人力成本较高,而且极大地依赖于业务人员的经验,存在随机性和滞后性,检测准确性较低的问题,提出一种异常用户的检测方法。
本申请实施例提供的异常用户的检测方法,通过获取待检测用户的用量时序,并从待检测用户的用量时序之中提取多个第一时间周期用量时序和多个第二时间周期用量时序,之后根据每个第一时间周期用量时序生成第一用量序列,以及根据每个第二时间周期用量时序生成第二用量序列,进而根据第一用量序列和第二用量序列的模式熵,判断待检测用户是否为异常用户。由此,通过对用户在两个时间周期的用量时序进行统计,以挖掘用户的双周期用量模式,并通过第一用量序列与第二用量序列的模式熵表征双周期用量模式的稳定性,以根据模式熵筛选出异常用户,从而通过根据用户的双周期用量模式的稳定性筛选出异常用户,不仅提升了异常用户检测的准确性,而且缩小了实地稽查的范围,降低了人力成本。
下面参考附图对本申请提供的异常用户的检测方法、装置、电子设备、存储介质及计算机程序进行详细描述。
图1为本申请实施例所提供的一种异常用户的检测方法的流程示意图。
如图1所示,该异常用户的检测方法,包括以下步骤:
步骤101,获取待检测用户的用量时序。
需要说明的是,本申请实施例的异常用户的检测方法可以由本申请实施例的异常用户的检测装置执行。本申请实施例的异常用户的检测装置可以配置在任意电子设备中,以执行本申请实施例的异常用户的检测方法。比如,本申请实施例的异常用户的检测装置可以配置在水、电、燃气等资源供应公司的服务器中,也可以以应用程序等方式配置在工作人员使用的电子设备中。以下以燃气公司的可疑盗气用户检测为具体的应用场景,进行具体说明。
其中,待检测用户,可以是燃气公司所管辖的燃气用户中的任意用户。实际使用时,本申请实施例的异常用户的检测装置可以获取用户(可以是燃气公司的工作人员)对待检测用户的设置指令,并根据待检测用户的设置指令,将用户选择的燃气用户确定为待检测用户。比如,本申请实施例的异常用户的检测装置以应用程序的方式配置在用户(某燃气公司的工作人员)的电子设备中时,用户可以通过该应用程序将该燃气公司的所有燃气用户设置为待检测用户,也可以根据特定的检测需求将部分燃气用户设置为待检测用户。
其中,用量时序,可以是指对待检测用户在一定时间段内的燃气用量情况进行统计,生成的用户的用气量与时间的对应关系。比如,用量时序可以是对待检测用户在近一个月内的燃气用量情况进行统计,并在每个整点时刻记录待检测用户的小时使用量,进而将每个小时使用量与对应的记录时刻进行关联,从而生成待检测用户的用量时序。
作为一种可能的实现方式,若本申请实施例的异常用户的检测装置配置在用户的电子设备中,则本申请实施例的异常用户的检测装置可以在获取到用户时序的获取指令时,获取本地存储的待检测用户的使用量统计信息,并根据待检测用户的使用量统计信息生成待检测用户的用量时序。或者,本申请实施例的异常用户的检测装置可以在获取到用户时序的获取指令时,还可以向燃气公司的远程服务器发送用量时序获取请求,以使远程服务器返回待检测用户的用量时序。
需要说明的是,用量时序获取指令可以是用户通过电子设备发起的,可以包括待检测用户的标识和用量时序对应的时间段,从而异常用户的检测装置可以根据待检测用户的标识获取相应用户在相应时间段内的用量时序。并且,本地存储的待检测用户的使用量统计信息可以是用户根据抄表数据提前录入的,也可以是预先从远程服务器中获取的。
比如,用量时序获取指令中包括的待检测用户的标识为所有燃气用户的标识,时间段为2020年1月1日至2020年3月31日,则可以获取所有燃气用户在2020年1月1日至2020年3月31日的用量时序。
作为另一种可能的实现方式,若本申请实施例的异常用户的检测装置配置在燃气公司的服务器中,则本申请实施例的异常用户的检测装置可以在获取到用户时序的获取指令时,获取本地存储的待检测用户的使用量统计信息,并根据待检测用户的使用量统计信息生成待检测用户的用量时序。或者,本申请实施例的异常用户的检测装置可以在获取到用户时序的获取指令时,还可以向燃气公司的远程服务器发送用量时序获取请求,以使远程服务器返回待检测用户的用量时序。
需要说明的是,用量时序获取指令可以是用户通过电子设备发送的,也可以是服务器根据预先设置的用量时序获取频率,确定每个用量时序获取时刻,并在每个用量时序获取时刻到来时,确定获取到用量时序获取指令。并且,用量时序获取指令可以包括待检测用户的标识和用量时序对应的时间段,从而异常用户的检测装置可以根据待检测用户的标识获取相应用户在相应时间段内的用量时序。
步骤102,从待检测用户的用量时序之中提取多个第一时间周期用量时序和多个第二时间周期用量时序,其中,第二时间周期大于第一时间周期。
其中,第一时间周期可以是日,第二时间周期可以是周;或者,第一时间周期可以是周,第二时间周期可以是月,本申请实施例对此不做限定。本申请实施例以第一时间周期可以是日,第二时间周期可以是周为例,进行具体说明。
其中,第一时间周期用量时序,是指按照第一时间周期对待检测用户的用量时序进行划分之后,生成的用量时序;第二时间周期用量时序,是指按照第二时间周期对待检测用户的用量时序进行划分之后,生成的用量时序。
作为一种可能的实现方式,若待检测用户的用量时序中包括待检测用户的小时使用量与记录时刻的对应关系,则在第一时间周期为日且第二时间周期为周时,可以将每日的零点作为一个划分节点对待检测用户的用量时序进行划分,以生成多个表示待检测用户日用量特征的用量时序,即生成多个第一时间周期用量时序。需要说明的是,一个第一时间周期用量时序中包括24个小时使用量与记录时刻的对应关系。
相应的,在提取第二时间周期用量时序时,可以首先根据待检测用户的小时用气量与记录时刻的对应关系,确定待检测用户的日用气量,并生成日使用量与每日零点时刻的对应关系;之后,将每个周一的零点作为一个划分节点对待检测用户的用量时序进行划分,以生成多个表示待检测用户周用气特征的用量时序,即生成多个第二时间周期用量时序。需要说明的是,一个第二时间周期用量时序中包括7个日使用量与每日零点时刻的对应关系。
举例来说,若待检测用户的用量时序为待检测用户在仅28天的用户时序,则可以提取出28个第一时间周期用户时序,其中,每个第一时间周期用户时序中包括24个小时使用量与记录时刻的对应关系;以及可以提取出4个第二时间周期用量序列,其中,每个第二时间周期用量时序中包括7个日使用量与每日零点时刻的对应关系。
步骤103,根据每个第一时间周期用量时序生成第一用量序列,并根据每个第二时间周期用量时序生成第二用量序列。
其中,第一用量序列,是指根据各个第一时间周期用量时序对应的日用量特征,生成的数字序列;第二用量序列,是指根据各个第二时间周期用量时序对应的周用量特征,生成的数字序列。
可以理解的是,由于用户的实际用量情况可能为产生一定波动,如果直接采用第一时间周期用量时序中的各小时使用量表征待检测用户的日用量特征,以及直接采用第二时间周期用量时序中的各日使用量表征待检测用户的周用量特征,容易使得用户的用量特征受到不重要的用量波动的干扰,因此,在本申请实施例中,可以通过保留第一时间周期用量时序中关键信息以及第二时间周期用量时序中关键信息的方式,表征用户的日用量特征和周用量特征,以避免用量波动的干扰,提升用户的用量特征统计的准确性。
作为一种可能的实现方式,可以通过对大量燃气用户的用量情况进行统计分析,确定在燃气用户中普遍存在的典型日用量模式和典型周用量模式,分别用于表征大多数燃气用户的日用量特征和周用量特征;并利用数字对各典型日用量模式和各典型周用量模式进行编号。比如,若确定出5个典型日用量模式,则5个典型日用量模式对应的编号可以分别为1、2、3、4、5;若确定出3个典型周用量模式,则3个典型周用量模式对应的编号可以分别为1、2、3。
需要说明的是,一个典型日用量模式中包括24个小时使用量与记录时刻的对应关系;一个典型周用量模式中包括7个日使用量与每日零点时刻的对应关系。
因此,在本申请实施例中,确定出待检测用户对应的各第一时间周期用量时序与各第二时间周期用量时序之后,可以根据每个第一时间周期用量时序分别对应的典型日用量模式,并利用第一时间周期用量时序对应的典型日用量模式的编号,表示第一时间周期用量时序。进而在确定出每个第一时间周期用量时序对应的编号之后,可以按照各第一时间周期用量时序的时间顺序,将各第一时间周期用量时序对应的编号进行组合,生成第一用量序列。
相应的,可以根据每个第二时间周期用量时序分别对应的典型周用量模式,并利用第二时间周期用量时序对应的典型周用量模式的编号,表示第二时间周期用量时序。进而在确定出每个第二时间周期用量时序对应的编号之后,可以按照各第二时间周期用量时序的时间顺序,将各第二时间周期用量时序对应的编号进行组合,生成第二用量序列。
需要说明的是,可以根据第一时间周期用量时序与各典型日用量模式之间的相似度,确定第一时间周期时序对应的典型日用量模式。作为一种可能的实现方式,可以采用第一时间周期用量时序与典型日用量模式之间的欧式距离,表示第一时间周期用量时序与典型日用量模式之间的相似度,并将与第一时间周期用量时序之间的欧式距离最小的典型日用量模式,确定为该第一时间周期用量时序对应的典型日用量模式。相应的,可以采用相同的方式,确定第二时间周期用量时序对应的典型周用量模式。
步骤104,根据第一用量序列和第二用量序列生成模式熵。
其中,模式熵,可以根据第一用量序列的熵与第二用量序列的熵确定。
在本申请实施例中,由于第一用量序列中的每个元素可以表示待检测用户一天的用量特征,第二用量序列中的每个元素可以表示待检测用户一周的用量特征,因此第一用量序列可以反映待检测用户在用量时序对应的时间段内日用量模式的波动情况,第二用量序列可以反映待检测用户在用量时序对应的周用量模式的波动情况。并且,由于待检测用户的日用量模式与周用量模式的波动情况可以反映用户是否存在用量异常的现象,因此,可以第一用量序列和第二用量序列判断用户是否为异常用户。
作为一种可能的实现方式,由于第一用量序列中各元素之间的差异可以反映待检测用户在用量时序对应的日用量模式的波动情况,第二用量序列中各元素之间的差异可以反映待检测用户在用量时序对应的周用量模式的波动情况。即第一用量序列中各元素之间的差异越大,说明待检测用户在用量时序对应的日用量模式的波动越大;第二用量序列中各元素之间的差异越大,说明待检测用户在用量时序对应的周用量模式的波动越大。而序列熵可以反映序列中各元素之间的差异性,因此,可以确定第一用量序列的熵与第二用量序列的熵,进而根据第一用量序列的熵与第二用量序列的熵确定模式熵,以通过模式熵反映待检测用户的双周期用量模式的稳定性。
可选的,由于序列熵越小,说明序列中各元素间的差异性越小,因此可以将第一用量序列的熵与第二用量序列的熵之和,确定为模式熵;或者,也可以将第一用量序列的熵与第二用量序列的熵的均值,确定为模式熵;或者,还可以将第一用量序列的熵与第二用量序列的熵中的较大值,确定为模式熵;或者,还可以将第一用量序列的熵与第二用量序列的熵中的较小值,确定为模式熵。
需要说明的是,确定模式熵的方式可以包括但不限于以上列举的情形。实际使用时,可以根据实际需要及具体的应用场景,选择模式熵的确定方式,本申请实施例对此不做限定。
步骤105,根据模式熵判断待检测用户是否为异常用户。
在本申请实施例中,由于模式熵与第一用量序列的熵、第二用量序列的熵存在正相关关系,因此模式熵越小,说明第一用量序列各元素间的差异性较小,和/或第二用量序列中各元素间的差异性较小,即待检测用户的双周期用量稳定性较好;模式熵越大,说明第一用量序列各元素间的差异性较小,和/或第二用量序列中各元素间的差异性较小,即待检测用户的双周期用量稳定性较差。从而,可以根据模式熵判断待检测用户是否为异常用户。
作为一种可能的实现方式,可以通过设定阈值的方式,确定待检测用户是否为异常用户。即在本申请实施例一种可能的实现方式中,上述步骤105,可以包括:
如果模式熵小于或等于阈值,则确定待检测用户为正常用户;
如果模式熵大于阈值,则确定待检测用户为异常用户。
在本申请实施例中,若模式熵小于或等于阈值,则可以确定待检测用户的双周期用量模式的稳定性较好,没有较大波动,从而可以将待检测用户确定为正常用户;若模式熵大于阈值,则可以确定待检测用户的双周期用量模式的稳定性较差,存在较大波动,从而可以确定待检测用户可能存在用量异常现象,即可以将待检测用户确定为异常用户。
作为一种可能的实现方式,阈值的具体取值可以根据经验值确定,或者,还可以根据对大量用户的模式熵进行统计分析确定。即在本申请实施例一种可能的实现方式中,上述阈值可以通过以下步骤获得:
获取多个样本用户的多个样本模式熵;
根据多个样本模式熵生成模式熵分布,其中,模式熵分布包括多个模式熵值,每个模式熵值对应有用户量;
根据模式熵值所对应的用户量,确定模式熵分布之中的断点;
根据断点对应的模式熵值生成阈值。
在本申请实施例中,可以通过上述相同的方式获取大量样本用户的用量序列,并生成每个样本用户的样本模式熵,进而对各样本用户的样本模式熵进行统计分析,以确定每个模式熵值对应的用户量,从而生成模式熵分布。
需要说明的是,由于模式熵值对应的用户量越多,说明该模式熵值为正常用户对应的模式熵值的概率越大;模式熵值对应的用户量越少,说明该模式熵值为异常用户对应的模式熵值的概率越大。因此,如果在模式熵分布中某个模式熵值对应的用户量显著下降,则可以确定绝大多数的用户对应的模式熵值均小于或等于该模式熵值,而大于该模式熵值的用户大概率为异常用户。从而,可以将对应的用户量显著下降的模式熵值确定为模式熵分布中的断点,并将该模式熵值确定为阈值。
本申请实施例提供的异常用户的检测方法,通过获取待检测用户的用量时序,并从待检测用户的用量时序之中提取多个第一时间周期用量时序和多个第二时间周期用量时序,之后根据每个第一时间周期用量时序生成第一用量序列,以及根据每个第二时间周期用量时序生成第二用量序列,进而根据第一用量序列和第二用量序列的模式熵,判断待检测用户是否为异常用户。由此,通过对用户在两个时间周期的用量时序进行统计,以挖掘用户的双周期用量模式,并通过第一用量序列与第二用量序列的模式熵表征双周期用量模式的稳定性,以根据模式熵筛选出异常用户,从而通过根据用户的双周期用量模式的稳定性筛选出异常用户,不仅提升了异常用户检测的准确性,而且缩小了实地稽查的范围,降低了人力成本。
在本申请一种可能的实现形式中,可以通过聚类方式挖掘大多数燃气用户的典型日用量模式和典型周用量模式,以提升待检测用户双周期用量模式表示的准确性,进而提升异常用户筛选的准确性。
下面结合图2,对本申请实施例提供的异常用户的检测方法进行进一步说明。
图2为本申请实施例所提供的另一种异常用户的检测方法的流程示意图。
如图2所示,该异常用户的检测方法,包括以下步骤:
步骤201,获取待检测用户的用量时序。
步骤202,从待检测用户的用量时序之中提取多个第一时间周期用量时序和多个第二时间周期用量时序,其中,第二时间周期大于第一时间周期。
上述步骤201-202的具体实现过程及原理可以参照上述实施例的详细描述,此处不再赘述。
步骤203,获取第一时间周期的多个第一典型用量模式。
其中,第一典型用量模式,是指对大量燃气用户的第一时间周期用量时序进行统计分析,确定的大多数燃气用户对应的第一时间周期用量模式。比如,第一时间周期为日,则第一典型用量模式可以是对大量燃气用户的第一时间周期用量时序进行统计分析,确定的大多数燃气用户对应的日用量模式。
作为一种可能的实现方式,可以对大量燃气用户的第一时间周期用量特征进行聚类,生成多个第一典型用量模式。即在本申请实施例一种可能的实现方式,上述步骤203,可以包括:
获取多个样本用户的多个第一时间周期用量特征;
对多个第一时间周期用量特征进行聚类,以生成多个第一典型用量模式。
在本申请实施例中,以第一时间周期为日进行具体说明。在生成各第一典型用量模式时,可以获取大量样本用户在一定时间段内样本用量时序,其中,每个样本用户的样本用量时序中包括小时使用量与样本记录时刻的对应关系。对于每个样本用户,可以将该样本用户的样本用量时序中每个相同样本记录时刻对应的使用量的均值,确定为每个样本记录时刻对应的样本使用量,从而生成每个样本用户在24小时之内的样本使用量与样本记录时刻的对应关系,以消除用量时序中产生波动的异常值的影响;进而还可以将样本每个样本使用量进行最大值-最小值归一化,以将各样本使用量归一化至预设区间(如[0,1]区间),并将归一化后的样本使用量与样本记录时刻的对应关系,确定为样本用户的第一时间周期用量特征,以去除用户使用量的量级差异。
举例来说,对于一个样本用户A,获取到其在30天内的用量时序,假设用量时序中每个样本记录时刻为整点时刻,则可以将30天中每天零点的使用量的均值,确定为样本记录时刻零点对应的样本使用量,将30天中每天1点的使用量的均值,确定为样本记录时刻1点的样本使用量,依次类推,直至确定出样本记录时刻23点对应的样本使用量,则生成了样本用户A在24小时之内的样本使用量与样本记录时刻的对应关系,之后可以对样本用户A对应的24个样本使用量归一化至[0,1]区间,并将归一化后的24个样本使用量与样本记录时刻的对应关系,确定为样本用户A的第一时间周期用量特征。
在本申请实施例中,确定出大量样本用户分别对应的第一时间周期用量特征之后,可以通过聚类算法对各第一时间周期用量特征进行聚类处理,以从各第一时间周期用量特征中选取第一典型用量模式。
作为一种可能的实现方式,可以将轮廓系数作为聚类效果的评价指标,并预设第一典型用量模式的数量Kd,从而可以将轮廓系数最大的Kd个第一时间周期用量特征,确定为普遍存在的第一典型用量模式。
在本申请实施例中,确定出各第一典型用量模式之后,还可以采用数字对各第一典型用量模式进行编号。比如,Kd个第一典型用量模式对应的编号可以分别为1、2、3、……、Kd-1、Kd。
举例来说,如图3所示,为一种生成模式熵的流程示意图。由图3可以看出,对样本用户的第一时间周期用量特征进行聚类,生成了两个第一典型用量模式1和2。
需要说明的是,在第一时间周期为日时,一个第一典型用量模式中包括24个小时使用量与记录时刻的对应关系。
步骤204,确定每个第一时间周期用量时序匹配的第一典型用量模式,以生成第一用量序列。
在本申请实施例中,确定出待检测用户对应的各第一时间周期用量时序与各第一典型用量模式之后,可以根据第一时间周期用量时序与各第一典型用量模式之间的相似度,确定第一时间周期时序匹配的第一典型用量模式。作为一种可能的实现方式,可以采用第一时间周期用量时序与第一典型用量模式之间的欧式距离,表示第一时间周期用量时序与第一典型用量模式之间的相似度,并将与第一时间周期用量时序之间的欧式距离最小的第一典型用量模式,确定为该第一时间周期用量时序匹配的第一典型用量模式。
在本申请实施例中,确定待检测用户的每个第一时间周期用量时序匹配的第一典型用量模式之后,可以利用第一时间周期用量时序匹配的第一典型用量模式的编号,表示第一时间周期用量时序。进而在确定出每个第一时间周期用量时序对应的编号之后,可以按照各第一时间周期用量时序的时间顺序,将各第一时间周期用量时序对应的编号进行组合,生成第一用量序列D为待检测用户的用量时序中包括的天数。如图3所示,生成的第一用量序列为(1,1,1,1,2)。
步骤205,获取第二时间周期的多个第二典型用量模式。
其中,第二典型用量模式,是指对大量燃气用户的第二时间周期用量时序进行统计分析,确定的大多数燃气用户对应的第二时间周期用量模式。比如,第二时间周期为周,则第二典型用量模式可以是对大量燃气用户的第二时间周期用量时序进行统计分析,确定的大多数燃气用户对应的周用量模式。
作为一种可能的实现方式,可以对大量燃气用户的第二时间周期用量特征进行聚类,生成多个第二典型用量模式。即在本申请实施例一种可能的实现方式,上述步骤205,可以包括:
获取多个样本用户的多个第二时间周期用量特征;
对多个第二时间周期用量特征进行聚类,以生成多个第二典型用量模式。
在本申请实施例中,以第二时间周期为周进行具体说明。在生成各第二典型用量模式时,可以获取大量样本用户在一定时间段内样本用量时序,其中,每个样本用户的样本用量时序中包括小时使用量与样本记录时刻的对应关系。对于每个样本用户,可以首先确定出样本用户的小时使用量与样本记录时刻的对应关系,确定出样本用户的日使用量与每日零点时刻的对应关系;之后,将样本用户的样本用量时序中每个周一对应的使用量的均值,确定为周一对应的样本日使用量;将样本用户的样本用量时序中每个周二对应的使用量的均值,确定为周二对应的样本日使用量;以此类推,直至确定出每个周日对应的样本使用量,从而生成每个样本用户在一周内的样本日使用量与一周中每个样本零点时刻的对应关系,以消除用量时序中产生波动的异常值的影响;进而还可以将样本每个样本日使用量进行最大值-最小值归一化,以将各样本日使用量归一化至预设区间(如[0,1]区间),并将归一化后的样本日使用量与样本零点时刻的对应关系,确定为样本用户的第二时间周期用量特征,以去除用户使用量的量级差异。
举例来说,对于一个样本用户A,获取到其在28天内的用量时序,即包括4个自然周的用量时序,从而在确定出样本用户的日使用量与每日零点时刻的对应关系之后,则可以将4个周一的日使用量的均值,确定为周一零点时刻对应的样本日使用量,将4个周二的日使用量的均值,确定为周二零点时刻对应的样本日使用量,依次类推,直至确定出周日零点时刻对应的样本日使用量,则生成了样本用户A在一周内的样本使用量与样本零点时刻的对应关系,之后可以对样本用户A对应的7个样本日使用量归一化至[0,1]区间,并将归一化后的7个样本日使用量与样本零点时刻的对应关系,确定为样本用户A的第二时间周期用量特征。
在本申请实施例中,确定出大量样本用户分别对应的第二时间周期用量特征之后,可以通过聚类算法对各第二时间周期用量特征进行聚类处理,以从各第二时间周期用量特征中选取第二典型用量模式。
作为一种可能的实现方式,可以将轮廓系数作为聚类效果的评价指标,并预设第二典型用量模式的数量Kw,从而可以将轮廓系数最大的Kw个第二时间周期用量特征,确定为普遍存在的第二典型用量模式。
在本申请实施例中,确定出各第二典型用量模式之后,还可以采用数字对各第二典型用量模式进行编号。比如,Kw个第二典型用量模式对应的编号可以分别为1、2、3、……、Kw-1、Kw。
举例来说,如图3所示,为一种生成模式熵的流程示意图。由图3可以看出,对样本用户的第二时间周期用量特征进行聚类,生成了两个第二典型用量模式1和2。
需要说明的是,在第二时间周期为周时,一个第二典型用量模式中包括7个日使用量与每日零点时刻的对应关系。
步骤206,确定每个第二时间周期用量时序匹配的第二典型用量模式,以生成第二用量序列。
在本申请实施例中,确定出待检测用户对应的各第二时间周期用量时序与各第二典型用量模式之后,可以根据第二时间周期用量时序与各第二典型用量模式之间的相似度,确定第二时间周期时序匹配的第二典型用量模式。作为一种可能的实现方式,可以采用第二时间周期用量时序与第二典型用量模式之间的欧式距离,表示第二时间周期用量时序与第二典型用量模式之间的相似度,并将与第二时间周期用量时序之间的欧式距离最小的第二典型用量模式,确定为该第二时间周期用量时序匹配的第二典型用量模式。
在本申请实施例中,确定待检测用户的每个第二时间周期用量时序匹配的第二典型用量模式之后,可以利用第二时间周期用量时序匹配的第二典型用量模式的编号,表示第二时间周期用量时序。进而在确定出每个第二时间周期用量时序对应的编号之后,可以按照各第二时间周期用量时序的时间顺序,将各第二时间周期用量时序对应的编号进行组合,生成第二用量序列W为待检测用户的用量时序中包括的周数。如图3所示,生成的第二用量序列为(1,1,1)。
步骤207,根据第一用量序列和第二用量序列生成模式熵。
步骤208,根据模式熵判断待检测用户是否为异常用户。
上述步骤207-208的具体实现过程及原理,可以参照上述实施例的详细描述,此处不再赘述。
本申请实施例提供的异常用户的检测方法,通过从待检测用户的用量时序之中提取多个第一时间周期用量时序和多个第二时间周期用量时序,并通过聚类方式挖掘普遍存在的第一典型用量模式与第二典型用量模式,之后根据每个第一时间周期用量时序匹配的第一典型用量模式,生成第一用量序列,以及根据每个第二时间周期用量时序匹配的第二典型用量模式,以生成第二用量序列,进而根据第一用量序列和第二用量序列的模式熵,判断待检测用户是否为异常用户。由此,通过聚类方式挖掘用户在两个时间周期内普遍存在典型用量模式,以确定待检测用户的双周期用量模式,从而通过根据用户的双周期用量模式的稳定性筛选出异常用户,缩小了实地稽查的范围,降低了人力成本,而且进一步提升了异常用户检测的准确性。
在本申请一种可能的实现形式中,由于燃气用户的行业类型和使用量性质的多样性,存在一部分周内有双模式规律切换的正常用户,他们在工作日和休息日的日用量模式不同,但周用量模式整体保持稳定。但是,受双模式切换的影响,这些用户的第一用量序列的熵偏大,从而容易被误判为异常用户。因此,可以通过第二用量序列的熵对模式对第一用量序列的熵进行修正的方式,生成模式熵,以进一步提升异常用户检测的准确性。
下面结合图4,对本申请实施例提供的异常用户的检测方法进行进一步说明。
图4为本申请实施例所提供的再一种异常用户的检测方法的流程示意图。
如图4所示,该异常用户的检测方法,包括以下步骤:
步骤301,获取待检测用户的用量时序。
步骤302,从待检测用户的用量时序之中提取多个第一时间周期用量时序和多个第二时间周期用量时序,其中,第二时间周期大于第一时间周期。
步骤303,根据每个第一时间周期用量时序生成第一用量序列,并根据每个第二时间周期用量时序生成第二用量序列。
上述步骤301-303的具体实现过程及原理,可以参照上述实施例的详细描述,此处不再赘述。
步骤304,根据第一用量序列生成初始熵。
在本申请实施例中,由于第一用量序列中各元素之间的差异可以表征待检测用户的日用量模式的波动情况,因此,可以将第一用量序列的熵确定为初始熵,以通过初始熵表征待检测用户的日用量模式的稳定性。初始熵可以通过公式(1)确定。
其中,H(Md)为初始熵,Md为第一用量序列,pi为第一用量序列Md中的第i个元素在第一用量序列Md中的出现概率,kd为第一用量序列Md中的元素数量,i为第一用量序列Md中元素的序号。
步骤305,根据第一用量序列和第二用量序列生成修正熵。
在本申请实施例中,若待检测用户的初始熵较小,则可以待检测用户的日用量模式的稳定性较高(如初始熵为0,待检测用户仅具有一种日用量模式),而在待检测用户的日用量模式的稳定性较高时,待检测用户的周用量模式的稳定性也一定较高,从而在初始熵较小时,可以直接确定待检测用户具有双周期用量稳定性。但是,确定在待检测用户存在多种日用量模式时,会导致初始熵较大,从而容易将初始熵较大的待检测用户全部确定为异常用户;然而存在多种用量模式的待检测用户不一定为异常用户,比如在工作日为一种日用量模式,在休息日为另一日用量模式的用户,具有周用量模式稳定性,若将该类用户确定为异常用户,会导致异常用户检测的误判。因此,在本申请实施例中,还可以根据第一用量序列和第二用量序列生成修正熵,以对初始熵进行修正,以避免初始熵较大导致的异常用户的误判。
作为一种可能的实现方式,修正熵可以通过公式(2)和公式(3)确定。
α=-pm·lnpm-pn·lnpn (3)
其中,H(α)为修正熵,H(Mw)为第二用量序列的熵,H(Md)为初始熵,pm为工作日的数量与待检测用户的用量序列对应的天数的比值,pn为休息日的数量与待检测用户的用量序列对应的天数的比值。
需要说明的是,在第二用量序列的熵(Mw)=0且初始熵(Md)>α时,可以确定待检测用户具有多种日用量模式,且仅具有一种周用量模式,则可以说明待检测用户为正常用户,从而可以利用修正熵对初始熵进行修正,以避免初始熵过大导致的误判;若第二用量序列的熵(Mw)不为0,和/或初始熵(Md)≤α,则可以说明待检测用户的日用量模式与周用量模式均不具有稳定性,即待检测用户大概率为异常用户,从而可以将修正熵确定为0,即无需对初始熵进行修正。
步骤306,根据初始熵和修正熵生成模式熵。
在本申请实施例中,可以将初始熵与修正熵的差值,确定为模式熵,即模式熵可以通过公式(4)确定。
ModeEn(Md,Mw)=H(Md)-H(α) (4)
其中,ModeEn(Md,Mw)为模式熵,Md为第一用量序列,Mw为第二用量序列,H(Md)为初始熵,H(α)为修正熵。
通过公式(4)可知,对于具有多种日用量模式且具有一种稳定的周用量模式的正常用户,可以采用修正熵对初始熵进行修正,以生成模式熵,从而避免了异常用户的误判;对于日用量模式与周用量模式均不稳定的用户,无需采用修正熵对初始熵进行修正,可以将表征日用量模式稳定性的初始熵确定为模式熵。
步骤307,根据模式熵判断待检测用户是否为异常用户。
上述步骤307的具体实现过程及原理,可以参照上述实施例的详细描述,此处不再赘述。
本申请实施例提供的异常用户的检测方法,通过从待检测用户的用量时序之中提取多个第一时间周期用量时序和多个第二时间周期用量时序,并根据每个第一时间周期用量时序生成第一用量序列,以及根据每个第二时间周期用量时序生成第二用量序列,之后根据第一用量序列生成初始熵,以及根据第一用量序列和第二用量序列生成修正熵,以根据初始熵和修正熵,进而根据模式熵判断待检测用户是否为异常用户。由此,通过对于具有多种日用量模式且仅具有一种稳定的周用量模式的用户,采用第二用量序列的熵对模式对第一用量序列的熵进行修正的方式,生成模式熵,从而降低了异常用户产生误判的概率,进一步提升了异常用户检测的准确性。
为了实现上述实施例,本申请还提出一种异常用户的检测装置。
图5为本申请实施例提供的一种异常用户的检测装置的结构示意图。
如图5所示,该异常用户的检测装置40,包括:
第一获取模块41,用于获取待检测用户的用量时序;
提取模块42,用于从待检测用户的用量时序之中提取多个第一时间周期用量时序和多个第二时间周期用量时序,其中,第二时间周期大于所述第一时间周期;
第一生成模块43,用于根据每个第一时间周期用量时序生成第一用量序列,并根据每个所述第二时间周期用量时序生成第二用量序列;
第二生成模块44,用于根据第一用量序列和第二用量序列生成模式熵;以及
判断模块45,用于根据模式熵判断待检测用户是否为异常用户。
在实际使用时,本申请实施例提供的异常用户的检测装置,可以被配置在任意电子设备中,以执行前述异常用户的检测方法。
本申请实施例提供的异常用户的检测装置,通过获取待检测用户的用量时序,并从待检测用户的用量时序之中提取多个第一时间周期用量时序和多个第二时间周期用量时序,之后根据每个第一时间周期用量时序生成第一用量序列,以及根据每个第二时间周期用量时序生成第二用量序列,进而根据第一用量序列和第二用量序列的模式熵,判断待检测用户是否为异常用户。由此,通过对用户在两个时间周期的用量时序进行统计,以挖掘用户的双周期用量模式,并通过第一用量序列与第二用量序列的模式熵表征双周期用量模式的稳定性,以根据模式熵筛选出异常用户,从而通过根据用户的双周期用量模式的稳定性筛选出异常用户,不仅提升了异常用户检测的准确性,而且缩小了实地稽查的范围,降低了人力成本。
在本申请一种可能的实现形式中,上述判断模块45,包括:
第一确定单元,用于在模式熵小于或等于阈值时,确定待检测用户为正常用户;
第二确定单元,用于在模式熵大于所述阈值时,确定待检测用户为异常用户。
进一步的,在本申请另一种可能的实现形式中,上述异常用户的检测装置40,还包括:
第二获取模块,用于获取多个样本用户的多个样本模式熵;
第三生成模块,用于根据多个样本模式熵生成模式熵分布,其中,模式熵分布包括多个模式熵值,每个模式熵值对应有用户量;
确定模块,用于根据模式熵值所对应的用户量,确定模式熵分布之中的断点;
第四生成模块,用于根据断点对应的模式熵值生成阈值。
进一步的,在本申请再一种可能的实现形式中,上述第一生成模块43,包括:
第一获取单元,用于获取第一时间周期的多个第一典型用量模式;
第三确定单元,用于确定每个第一时间周期用量时序匹配的第一典型用量模式,以生成第一用量序列。
进一步的,在本申请又一种可能的实现形式中,上述第一获取单元,具体用于:
获取多个样本用户的多个第一时间周期用量特征;
对多个第一时间周期用量特征进行聚类,以形成多个第一典型用量模式。
进一步的,在本申请又一种可能的实现形式中,上述第一生成模块43,包括:
第二获取单元,用于获取第二时间周期的多个第二典型用量模式;
第四确定单元,用于确定每个第二时间周期用量时序匹配的第二典型用量模式,以生成第二用量序列。
进一步的,在本申请另一种可能的实现形式中,上述第二获取单元,具体用于:
获取多个样本用户的多个第二时间周期用量特征;
对多个第二时间周期用量特征进行聚类,以形成多个第二典型用量模式。
进一步的,在本申请再一种可能的实现形式中,上述第二生成模块54,包括:
第一生成单元,用于根据第一用量序列生成初始熵;
第二生成单元,用于根据第一用量序列和第二用量序列生成修正熵;
第三生成单元,用于根据初始熵和修正熵生成模式熵。
需要说明的是,前述对图1、图2、图4所示的异常用户的检测方法实施例的解释说明也适用于该实施例的异常用户的检测装置40,此处不再赘述。
本申请实施例提供的异常用户的检测装置,通过从待检测用户的用量时序之中提取多个第一时间周期用量时序和多个第二时间周期用量时序,并通过聚类方式挖掘普遍存在的第一典型用量模式与第二典型用量模式,之后根据每个第一时间周期用量时序匹配的第一典型用量模式,生成第一用量序列,以及根据每个第二时间周期用量时序匹配的第二典型用量模式,以生成第二用量序列,进而根据第一用量序列和第二用量序列的模式熵,判断待检测用户是否为异常用户。由此,通过聚类方式挖掘用户在两个时间周期内普遍存在典型用量模式,以确定待检测用户的双周期用量模式,从而通过根据用户的双周期用量模式的稳定性筛选出异常用户,缩小了实地稽查的范围,降低了人力成本,而且进一步提升了异常用户检测的准确性。
为了实现上述实施例,本申请还提出一种电子设备。
图6为本发明一个实施例的电子设备的结构示意图。
如图6所示,上述电子设备200包括:
存储器210及处理器220,连接不同组件(包括存储器210和处理器220)的总线230,存储器210存储有计算机程序,当处理器220执行所述程序时实现本申请实施例所述的异常用户的检测方法。
总线230表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备200典型地包括多种电子设备可读介质。这些介质可以是任何能够被电子设备200访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器210还可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)240和/或高速缓存存储器250。电子设备200可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统260可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线230相连。存储器210可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块270的程序/实用工具280,可以存储在例如存储器210中,这样的程序模块270包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块270通常执行本申请所描述的实施例中的功能和/或方法。
电子设备200也可以与一个或多个外部设备290(例如键盘、指向设备、显示器291等)通信,还可与一个或者多个使得用户能与该电子设备200交互的设备通信,和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口292进行。并且,电子设备200还可以通过网络适配器293与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器293通过总线230与电子设备200的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备200使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器220通过运行存储在存储器210中的程序,从而执行各种功能应用以及数据处理。
需要说明的是,本实施例的电子设备的实施过程和技术原理参见前述对本申请实施例的异常用户的检测方法的解释说明,此处不再赘述。
本申请实施例提供的电子设备,可以执行如前所述的异常用户的检测方法,通过获取待检测用户的用量时序,并从待检测用户的用量时序之中提取多个第一时间周期用量时序和多个第二时间周期用量时序,之后根据每个第一时间周期用量时序生成第一用量序列,以及根据每个第二时间周期用量时序生成第二用量序列,进而根据第一用量序列和第二用量序列的模式熵,判断待检测用户是否为异常用户。由此,通过对用户在两个时间周期的用量时序进行统计,以挖掘用户的双周期用量模式,并通过第一用量序列与第二用量序列的模式熵表征双周期用量模式的稳定性,以根据模式熵筛选出异常用户,从而通过根据用户的双周期用量模式的稳定性筛选出异常用户,不仅提升了异常用户检测的准确性,而且缩小了实地稽查的范围,降低了人力成本。
为了实现上述实施例,本申请还提出一种计算机可读存储介质。
其中,该计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时,以实现本申请实施例所述的异常用户的检测方法。
为了实现上述实施例,本申请再一方面实施例提供一种计算机程序,该程序被处理器执行时,以实现本申请实施例所述的异常用户的检测方法。
一种可选实现形式中,本实施例可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户电子设备上执行、部分地在用户电子设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务器上执行。在涉及远程电子设备的情形中,远程电子设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户电子设备,或者,可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
本领域技术人员在考虑说明书及实践这里申请的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (11)
1.一种异常用户的检测方法,其特征在于,包括:
获取待检测用户的用量时序;
从所述待检测用户的用量时序之中提取多个第一时间周期用量时序和多个第二时间周期用量时序,其中,所述第二时间周期大于所述第一时间周期;
根据每个所述第一时间周期用量时序生成第一用量序列,并根据每个所述第二时间周期用量时序生成第二用量序列;
根据所述第一用量序列和所述第二用量序列生成模式熵;以及
根据所述模式熵判断所述待检测用户是否为异常用户。
2.如权利要求1所述的异常用户的检测方法,其特征在于,所述根据所述模式熵判断所述待检测用户是否为异常用户,包括:
如果所述模式熵小于或等于阈值,则确定所述待检测用户为正常用户;
如果所述模式熵大于所述阈值,则确定所述待检测用户为异常用户。
3.如权利要求2所述的异常用户的检测方法,其特征在于,所述阈值通过以下步骤获得:
获取多个样本用户的多个样本模式熵;
根据所述多个样本模式熵生成模式熵分布,其中,所述模式熵分布包括多个模式熵值,每个所述模式熵值对应有用户量;
根据模式熵值所对应的用户量,确定所述模式熵分布之中的断点;
根据所述断点对应的模式熵值生成所述阈值。
4.如权利要求1所述的异常用户的检测方法,其特征在于,所述根据每个所述第一时间周期用量时序生成第一用量序列,包括:
获取所述第一时间周期的多个第一典型用量模式;
确定每个所述第一时间周期用量时序匹配的第一典型用量模式,以生成所述第一用量序列。
5.如权利要求4所述的异常用户的检测方法,其特征在于,所述获取第一时间周期的多个第一典型用量模式,包括:
获取所述多个样本用户的多个第一时间周期用量特征;
对所述多个第一时间周期用量特征进行聚类,以生成所述多个第一典型用量模式。
6.如权利要求1所述的异常用户的检测方法,其特征在于,所述根据每个所述第二时间周期用量时序生成第二用量序列,包括:
获取所述第二时间周期的多个第二典型用量模式;
确定每个所述第二时间周期用量时序匹配的第二典型用量模式,以生成所述第二用量序列。
7.如权利要求6所述的异常用户的检测方法,其特征在于,所述获取第二时间周期的多个第二典型用量模式通过以下步骤获得:
获取所述多个样本用户的多个第二时间周期用量特征;
对所述多个第二时间周期用量特征进行聚类,以生成所述多个第二典型用量模式。
8.如权利要求1所述的异常用户的检测方法,其特征在于,所述根据所述第一用量序列和所述第二用量序列生成模式熵,包括:
根据所述第一用量序列生成初始熵;
根据所述第一用量序列和所述第二用量序列生成修正熵;
根据所述初始熵和所述修正熵生成所述模式熵。
9.一种异常用户的检测装置,其特征在于,包括:
第一获取模块,用于获取待检测用户的用量时序;
提取模块,用于从所述待检测用户的用量时序之中提取多个第一时间周期用量时序和多个第二时间周期用量时序,其中,所述第二时间周期大于所述第一时间周期;
第一生成模块,用于根据每个所述第一时间周期用量时序生成第一用量序列,并根据每个所述第二时间周期用量时序生成第二用量序列;
第二生成模块,用于根据所述第一用量序列和所述第二用量序列生成模式熵;以及
判断模块,用于根据所述模式熵判断所述待检测用户是否为异常用户。
10.一种电子设备,其特征在于,包括:存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-8中任一所述的异常用户的检测方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-8中任一所述的异常用户的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011584139.7A CN113762685A (zh) | 2020-12-28 | 2020-12-28 | 异常用户的检测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011584139.7A CN113762685A (zh) | 2020-12-28 | 2020-12-28 | 异常用户的检测方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113762685A true CN113762685A (zh) | 2021-12-07 |
Family
ID=78786222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011584139.7A Pending CN113762685A (zh) | 2020-12-28 | 2020-12-28 | 异常用户的检测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113762685A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116503957A (zh) * | 2023-06-26 | 2023-07-28 | 成都千嘉科技股份有限公司 | 一种燃气入户作业行为识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726364A (zh) * | 2018-07-06 | 2019-05-07 | 平安科技(深圳)有限公司 | 用电量异常检测方法、装置、终端及计算机可读存储介质 |
CN111339129A (zh) * | 2020-03-04 | 2020-06-26 | 潘从平 | 远程抄表异常监测方法、装置、燃气表系统及燃气云平台 |
-
2020
- 2020-12-28 CN CN202011584139.7A patent/CN113762685A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726364A (zh) * | 2018-07-06 | 2019-05-07 | 平安科技(深圳)有限公司 | 用电量异常检测方法、装置、终端及计算机可读存储介质 |
CN111339129A (zh) * | 2020-03-04 | 2020-06-26 | 潘从平 | 远程抄表异常监测方法、装置、燃气表系统及燃气云平台 |
Non-Patent Citations (1)
Title |
---|
XIAODU YANG等: "You Are How You Use: Catching Gas Theft Suspects among Diverse Restaurant Users", 《CIKM \'20: PROCEEDINGS OF THE 29TH ACM INTERNATIONAL CONFERENCE ON INFORMATION & KNOWLEDGE MANAGEMENT》, pages 3 - 6 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116503957A (zh) * | 2023-06-26 | 2023-07-28 | 成都千嘉科技股份有限公司 | 一种燃气入户作业行为识别方法 |
CN116503957B (zh) * | 2023-06-26 | 2023-09-15 | 成都千嘉科技股份有限公司 | 一种燃气入户作业行为识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242261B (zh) | 基于大数据评估保全风险的方法及终端设备 | |
US11055727B1 (en) | Account fraud detection | |
CN107729376B (zh) | 保险数据审核方法、装置、计算机设备及存储介质 | |
CN112381382B (zh) | 一种漏损管理方法、漏损管理装置及终端设备 | |
CN110633991A (zh) | 风险识别方法、装置和电子设备 | |
US20140012716A1 (en) | Systems and methods for detecting tax refund fraud | |
CN110147378B (zh) | 数据核对方法、装置、计算机设备及存储介质 | |
CN111260465A (zh) | 一种业务处理方法、装置、服务器及存储介质 | |
CN111612040B (zh) | 基于孤立森林算法的财务数据异常检测方法及相关装置 | |
CN103370722A (zh) | 通过小波和非线性动力学预测实际波动率的系统和方法 | |
CN111931047B (zh) | 基于人工智能的黑产账号检测方法及相关装置 | |
WO2012029500A1 (ja) | 運用管理装置、運用管理方法、及びプログラム | |
CN111428978A (zh) | 一种补贴计算方法、装置、电子设备及存储介质 | |
CN113837806A (zh) | 产品流转量预测方法、装置、电子设备和存储介质 | |
CN113538154A (zh) | 风险对象的识别方法、装置、存储介质和电子设备 | |
CN109783385A (zh) | 一种产品测试方法和装置 | |
CN113420057A (zh) | 对账数据处理方法及相关装置 | |
CN113762685A (zh) | 异常用户的检测方法、装置及电子设备 | |
CN110489394B (zh) | 中间数据处理方法及设备 | |
CN111241143B (zh) | 用于供水的水量和水费的分布式计算方法及系统 | |
US20220365841A1 (en) | Repair support system and repair support method | |
CN111897852A (zh) | 异常数据的确定方法、装置、电子设备及可读存储介质 | |
CN112365300A (zh) | 计费引擎 | |
CN115471041B (zh) | 黑产账户的识别方法、装置、设备和存储介质 | |
CN115545935B (zh) | 区块链交易账户的处理方法和装置、设备和介质 |
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 |