CN113779103B - 用于检测异常数据的方法和装置 - Google Patents
用于检测异常数据的方法和装置 Download PDFInfo
- Publication number
- CN113779103B CN113779103B CN202110228171.XA CN202110228171A CN113779103B CN 113779103 B CN113779103 B CN 113779103B CN 202110228171 A CN202110228171 A CN 202110228171A CN 113779103 B CN113779103 B CN 113779103B
- Authority
- CN
- China
- Prior art keywords
- sequence sample
- sequence
- sample
- model
- rrcf
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 44
- 230000005856 abnormality Effects 0.000 claims abstract description 54
- 230000004044 response Effects 0.000 claims abstract description 13
- 230000002547 anomalous effect Effects 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000835 fiber Substances 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000002123 temporal effect Effects 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
Abstract
本公开的实施例公开了用于检测异常数据的方法和装置。该方法的一具体实施方式包括:获取待检测商品的数据流;基于数据流,构建待检测商品在预设时长内的价格时间序列;从价格时间序列中提取出第一预设数量个序列样本,并确定各序列样本的编号,得到序列样本集;采用预设的RRCF模型,基于序列样本集,确定目标序列样本和参考序列样本的异常指数,目标样本序列为包括目标特征值的序列样本,目标特征值表征数据流中最新时刻的价格信息,参考序列样本为编号最接近目标序列样本的编号的序列样本;基于目标序列样本和参考序列样本的异常指数,确定目标序列样本的异常评分;响应于确定异常评分大于预设的评分阈值,确定数据流中存在异常数据。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及数据处理领域,尤其涉及一种用于检测异常数据的方法和装置。
背景技术
在互联网领域,各个电商平台的营销手段和促销方式层出不穷,平台或商家都很难保证在设置商品价格时不出错,这就可能导致一些商品以超低价的方式进行销售。如果不能及时发现,就会造成巨大的损失。
相关技术中,主要通过一些传统的统计类模型算法、监控规则或策略结合经验,对商品的价格进行异常检测和分析。
发明内容
本公开的实施例提出了用于检测异常数据的方法和装置。
第一方面,本公开的实施例提供了一种用于检测异常数据的方法,该方法包括:获取待检测商品的数据流,数据流包括待检测商品的价格信息;基于数据流,构建待检测商品在预设时长内的价格时间序列;从价格时间序列中提取出第一预设数量个序列样本,并基于预设的编号策略,确定各序列样本的编号,得到序列样本集,其中,每个序列样本包括按照时间排列的第二预设数量个特征值,特征值表征待检测商品的价格信息;采用预设的RRCF(Robust Random Cut Forest,鲁棒随机砍伐森林)模型,基于序列样本集,确定目标序列样本和参考序列样本的异常指数,目标样本序列为包括目标特征值的序列样本,目标特征值表征数据流中最新时刻的价格信息,参考序列样本为编号最接近目标序列样本的编号的序列样本;基于目标序列样本和参考序列样本的异常指数,确定目标序列样本的异常评分;响应于确定异常评分大于预设的评分阈值,确定数据流中存在异常数据。
在一些实施例中,序列样本集经由如下步骤生成:基于预设的随机干扰系数和均匀分布的随机数,对价格时间序列进行随机干扰,得到干扰后的价格时间序列;采用预设长度的滑窗,从干扰后的价格时间序列中截取出第一预设数量个序列样本,预设长度与第二预设数量对应;将第一预设数量个序列样本确定为序列样本集。
在一些实施例中,将第一预设数量个序列样本确定为序列样本集,之前,方法还包括:采用基于距离的均值池化算法,更新序列样本的各特征值。
在一些实施例中,采用预设的RRCF模型,基于序列样本集,确定目标序列样本和参考序列样本的异常指数,包括:初始化预设的RRCF模型,得到初始化后的RRCF模型;基于序列样本集,采用如下步骤更新初始化后的RRCF模型:将当前序列样本集中编码与目标序列样本的编码差值最大的当前序列样本输入初始化后的RRCF模型,并将初始化后的RRCF模型中输入时间最早的序列样本删除;从当前序列样本集中删除当前序列样本;分别将目标序列样本和参考序列样本输入更新后的RRCF模型,得到目标序列样本和参考序列样本的异常指数。
在一些实施例中,采用预设的RRCF模型,基于序列样本集,确定目标序列样本和参考序列样本的异常指数,包括:基于序列样本集,构造新RRCF模型;分别将目标序列样本和参考序列样本输入新RRCF模型,得到目标序列样本和参考序列样本的异常指数。
在一些实施例中,采用预设的RRCF模型,基于序列样本集,确定目标序列样本和参考序列样本的异常指数,包括:基于序列样本集中的各特征值,确定序列样本集中的各特征值的均值;基于序列样本集中的各特征值以及均值,确定序列样本集的波动系数;响应于波动系数不小于随机干扰系数,基于序列样本集,构造新RRCF模型;分别将目标序列样本和参考序列样本输入新RRCF模型,得到目标序列样本和参考序列样本的异常指数。
第二方面,本公开的实施例还提供了一种用于检测异常数据的装置,其中,包括:数据获取单元,被配置成获取待检测商品的数据流,数据流包括待检测商品的价格信息;序列构建单元,被配置成基于数据流,构建待检测商品在预设时长内的价格时间序列;样本提取单元,被配置成从价格时间序列中提取出第一预设数量个序列样本,并基于预设的编号策略,确定各序列样本的编号,得到序列样本集,其中,每个序列样本包括按照时间排列的第二预设数量个特征值,特征值表征待检测商品的价格信息;指数确定单元,被配置成采用预设的RRCF模型,基于序列样本集,确定目标序列样本和参考序列样本的异常指数,目标样本序列为包括目标特征值的序列样本,目标特征值表征数据流中最新时刻的价格信息,参考序列样本为编号最接近目标序列样本的编号的序列样本;评分确定单元,被配置成基于目标序列样本和参考序列样本的异常指数,确定目标序列样本的异常评分;结果确定单元,被配置成响应于确定异常评分大于预设的评分阈值,确定数据流中存在异常数据。
在一些实施例中,样本提取单元进一步包括:随机干扰模块,被配置成基于预设的随机干扰系数和均匀分布的随机数,对价格时间序列进行随机干扰,得到干扰后的价格时间序列;序列截取模块,被配置成采用预设长度的滑窗,从干扰后的价格时间序列中截取出第一预设数量个序列样本,预设长度与第二预设数量对应;样本集生成模块,被配置成将第一预设数量个序列样本确定为序列样本集。
在一些实施例中,样本提取单元还进一步包括池化模块,被配置成采用基于距离的均值池化算法,更新序列样本的各特征值。
在一些实施例中,指数确定单元进一步包括:模型初始化模块,被配置成初始化预设的RRCF模型,得到初始化后的RRCF模型;模型更新模块,被配置成基于序列样本集,采用如下步骤更新初始化后的RRCF模型:将当前序列样本集中编码与目标序列样本的编码差值最大的当前序列样本输入初始化后的RRCF模型,并将初始化后的RRCF模型中输入时间最早的序列样本删除;从当前序列样本集中删除当前序列样本;第一指数计算模块,被配置成分别将目标序列样本和参考序列样本输入更新后的RRCF模型,得到目标序列样本和参考序列样本的异常指数。
在一些实施例中,指数确定单元进一步包括:第一模型构造模块,被配置成基于序列样本集,构造新RRCF模型;第二指数计算模块,被配置成分别将目标序列样本和参考序列样本输入新RRCF模型,得到目标序列样本和参考序列样本的异常指数。
在一些实施例中,指数确定单元进一步包括:均值确定模块,被配置成基于序列样本集中的各特征值,确定序列样本集中的各特征值的均值;波动确定模块,被配置成基于序列样本集中的各特征值以及均值,确定序列样本集的波动系数;第二模型构造模块,被配置成响应于波动系数不小于随机干扰系数,基于序列样本集,构造新RRCF模型;第三指数计算模块,被配置成分别将目标序列样本和参考序列样本输入新RRCF模型,得到目标序列样本和参考序列样本的异常指数。
第三方面,本公的实施例还提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述任一实施例中的方法。
第四方面,本公开的实施例还提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述任一实施例中的方法。
本公开的实施例提供的用于检测异常数据的方法和装置,基于数据流中待检测商品的价格信息构建价格时间序列,并从价格时间序列提取出序列样本,然后基于RRCF算法确定出目标序列样本和参考序列样本的异常指数,并基于目标序列样本和参考序列样本的异常指数确定目标序列样本的异常评分,最终根据目标序列样本的异常评分确定数据流中是否存在异常数据。目标序列样本表征数据流中待检测商品在最新时段的价格信息,数据流中存在异常数据表征待检测商品在最新时段的价格信息存在异常,以此可以提高检测商品异常价格的时效性和准确度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的一些实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的用于检测异常数据的方法的一个实施例的流程图;
图3是根据本公开的用于检测异常数据的方法的一个场景示意图;
图4是根据本公开的用于检测异常数据的方法的又一个实施例的流程图;
图5是根据本公开的用于检测异常数据的装置的一个实施例的结构示意图;
图6是适于用来实现本公开的实施例的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的实施例的用于检测异常数据的方法或用于检测异常数据的装置的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等,例如可以将待检测商品的数据流发送至服务器,还可以从服务器接收异常检测结果。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具备通信功能的电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如可以从终端设备101、102、103获取的待检测商品的数据流进行处理(例如基于数据流构建商品的价格时间序列)的后台数据服务器,。后台数据服务器可以对接收到的数据流进行预处理和检测等处理,并将处理结果(例如异常检测结果)反馈给终端设备。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本公开的实施例所提供的用于检测异常数据的方法可以由终端设备101、102、103执行,也可以由服务器105执行。相应地,用于检测异常数据的装置可以设置于终端设备101、102、103中,也可以设置于服务器105中。在此不做具体限定。
继续参考图2,示出了根据本公开的用于检测异常数据的方法的一个实施例的流程200。该用于检测异常数据的方法,包括以下步骤:
步骤201,获取待检测商品的数据流。
数据流是互联网领域应用广泛的一种数据类型,其本质是一组有序的数据序列。具有如下特点:数据联机到达;数据流入端无法控制数据的到达顺序;数据量大且数据可能是无限多的。
在本实施例中,数据流包括待检测商品的价格信息,例如可以包括待检测商品的实时订单数据流,还可以包括待检测商品的历史调价数据流等。
作为示例,执行主体可以是图1中所示的终端设备,执行主体可以通过网络与服务器(例如可以是电商平台的业务服务器)连接,以接入服务器实时传输的数据流,例如可以是按照时间排列的价格信息,此时的数据流可以表征待检测商品的实时价格信息。
需要说明的是,本实施例中的数据流还可以是待检测商品的离线数据,例如可以是待检测商品的历史价格数据。
此外,本实施例中的执行主体可以同时接收多个待检测商品的数据流。
步骤202,基于数据流,构建待检测商品在预设时长内的价格时间序列。
本实施例中,价格时间序列表征待检测商品在预设时长内的价格记录。预设时长可以是以当前时段(当前时刻为节点的时间区间),还可以是历史时段(不包括当前时刻的时间区间),本申请对此不作限定。
作为示例,可以将预设时长确定为6小时的当前时段。执行主体可以从步骤201中获取的数据流中提取出最新的6个小时内的待检测商品的成交价格及其成交时间,并按照成交时间由早到晚的顺序排列各成交价格,得到的长序列即为待检测商品的价格时间序列。
实践中,数据流可以包括待检测商品的预设价格、促销策略或折扣信息等多个维度的信息,此时,执行主体可以先根据这些信息确定出待检测商品的成交价格,然后再基于确定出的成交价格构建待检测商品的价格时间序列。
步骤203,从价格时间序列中提取出第一预设数量个序列样本,并基于预设的编号策略,确定各序列样本的编号,得到序列样本集。
在本实施例中,每个序列样本包括按照时间排列的第二预设数量个特征值,特征值表征待检测商品的价格信息。
通常,价格时间序列中包括的商品价格信息的数量越多,检测结果的准确度也就越高,但是对执行主体的数据处理能力的需求就越高,此时可以从价格时间序列中采样出多个短序列样本,以用于执行后续步骤,如此,可以兼顾准确度和数据处理效率。
在本实施例的一些可选的实现方式中,执行主体可以采用预设的滑窗从价格时间序列中截取出序列样本,其中,第二预设数量可以基于预设的RRCF模型中叶子结点的数量以预设的滑窗长度确定。例如预设的RRCF模型中叶子结点的数量为n,滑窗长度为t,则第二预设数量为:n+t-1。
在本实现方式中,可能会出现滑窗中的特征值数量少于滑窗长度的情况,此时可以从历史成交价格中随机选取历史特征值,并按照预设的排列顺序填充如滑窗,得到一个序列样本。作为示例,若滑窗长度为4,滑窗中的特征值为2,则从历史成交价格中选取2个历史特征值,并按照时间先后顺序依次填入滑窗中,得到序列样本。
步骤204,采用预设的RRCF模型,基于序列样本集,确定目标序列样本和参考序列样本的异常指数。
在本实施例中,目标样本序列为包括目标特征值的序列样本,目标特征值表征数据流中最新时刻的价格信息,参考序列样本为编号最接近目标序列样本的编号的序列样本。
作为示例,执行主体可以基于序列样本中特征值的时间属性对序列样本进行编号,例如可以按照序列样本各特征值的最大时间戳对各序列样本进行排序。时间戳越大,表示越接近当前时刻。假设序列样本的长度为3,目标序列样本可以包括待检测的商品在当前时刻的价格信息,以及第一时刻的价格信息和第二时刻的价格信息,其中,第一时刻与第二时刻均为当前时刻之前的历史时刻,且第一时刻为最接近于当前时刻的历史时刻。参考序列样本可以包括第一时刻、第二时刻和第三时刻的价格信息。如此,参考序列样本可以表征待检测商品在最接近当前时刻的历史时段中的价格信息。
RRCF模型是由亚马逊提出的用于解决任意规模的单条时间序列的异常检测问题,可以将持续产生的数据中的时间戳因素引入到异常评估的过程中,从而提高准确度。并且,该模型对未知结构和形态的数据具备鲁棒性,因而可以适用于各种复杂场景,例如实时数据的异常检测。
通常,RRCF模型中树的规模与序列样本的数量是对应的,其中,树中的每个叶子节点对应一个序列样本。
作为示例,执行主体可以加载预先生成的RRCF模型文件以初始化RRCF模型,然后将序列样本集中各序列样本编号顺序依次输入该RRCF模型中,以更新模型参数,并最终得到目标序列样本和参考序列样本的异常指数。
在本实施例的一些可选的实现方式中,执行主体可以针对每一条数据流,分别建立一个新RRCF模型,然后将序列样本集中各序列样本编号顺序依次输入该RRCF模型中,以更新模型参数,并最终得到目标序列样本和参考序列样本的异常指数。
作为示例,执行主体可以基于步骤202中得到的价格时间序列,采用RRCF模型中的Mtree模块构造新的RRCF模型,然后,通过RRCF模型中的Insert模块将序列样本集中各序列样本编号顺序依次输入该RRCF模型中,以更新模型参数,并最终得到目标序列样本和参考序列样本的异常指数。
再例如,执行主体还可以基于步骤203中得到的序列样本集构造新的RRCF模型,其中,模型中的每个叶子结点对应一个序列样本,然后,将序列样本集中各序列样本编号顺序依次输入该RRCF模型中,以更新模型参数。并最终得到目标序列样本和参考序列样本的异常指数。
在本实施例中另一些可选的实现方式中,为了提升性能,在执行主体可以预先设定构造新模型的条件,当条件满足时再构建新的RRCF模型。例如,条件例如可以是执行主体当前处理数据的能力高于预设的性能阈值。
步骤205,基于目标序列样本和参考序列样本的异常指数,确定目标序列样本的异常评分。
在本实施例中,异常指数为RRCF输出的Codisp数值。异常评分用于表征序列样本中数据的异常程度,异常评分越高说明数据的异常程度越大。
作为示例,执行主体采用如下方式确定目标序列样本的异常评分:确定目标序列样本的异常指数与参考序列样本的异常指数的差值,并将该差值转化为0到1之间的数值,然后将该数值与第二预设数量的比值确定为目标序列样本的异常评分。
步骤206,响应于确定异常评分大于预设的评分阈值,确定数据流中存在异常数据。
在本实施例中,若目标序列样本的异常评分大于预设的评分阈值,表示目标序列样本中的数据存在异常,即待检测商品的在当前时刻的价格信息存在异常。
在一个具体的示例中,执行主体可以将评分阈值设定为0.3,若执行主体在步骤205中得到的异常评分大于0.3,则执行主题确定步骤201中获取的数据流中存在异常数据。若执行主体是接入的待检测商品的实时数据流,则表示待检测商品在当前时刻的价格存在异常。此时,执行主体可以生成报警信息,以提示相关人员关注。
继续参见图3,图3是根据本公开的用于检测异常数据的方法的一个场景示意图。在图3所示的场景中,执行主体301可以是数据服务器也可以是终端设备,其上装载有RRCF模型。服务器302可以为电商平台的业务服务器,可以实时记录待检测商品的交易信息,例如包括成交价格和时间。执行主体通过网络与服务器连接,以实时获取待检测商品的数据流。并对获取到的数据流进行预处理(例如包括构建价格时间序列和提取序列样本),然后将经过预处理的数据输入RRCF中得到目标序列样本和参考序列样本的异常指数,之后基于目标序列样本和参考序列样本的异常指数确定出目标序列样本和参考序列样本的异常评分,并基于异常评分确定异常检测结果。若确定数据流中存在异常,则向服务器发送异常报警信息。
本公开的实施例提供的用于检测异常数据的方法和装置,基于数据流中待检测商品的价格信息构建价格时间序列,并从价格时间序列提取出序列样本,然后基于RRCF算法确定出目标序列样本和参考序列样本的异常指数,并基于目标序列样本和参考序列样本的异常指数确定目标序列样本的异常评分,最终根据目标序列样本的异常评分确定数据流中是否存在异常数据。目标序列样本表征数据流中待检测商品在最新时段的价格信息,数据流中存在异常数据表征待检测商品在最新时段的价格信息存在异常,以此可以提高检测商品异常价格的时效性和准确度。
在图2所示实施例的一些可选的实现方式中,序列样本集经由如下步骤生成:基于预设的随机干扰系数和均匀分布的随机数,对价格时间序列进行随机干扰,得到干扰后的价格时间序列;采用预设长度的滑窗,从干扰后的价格时间序列中截取出第一预设数量个序列样本,预设长度与第二预设数量对应;将第一预设数量个序列样本确定为序列样本集。
在本实现方式中,随机干扰系数用于表征待检测商品的价格波动程度。通常由技术人员基于大量的价格数据,采用统计分析的方法得到的。通过随机干扰可以模拟商品价格的波动,如此可以将商品价格的波动因素耦合到序列样本中的特征值,如此可以在预测序列样本的异常指数时,可以更贴近实践,从而提高检测结果的准确度。
作为示例,执行主体可以采用公式(1)对价格时间序列进行随机干扰。
式中,为干扰后的价格时间序列,/>为价格时间序列,r为随机干扰系数,δ为均匀分布的随机数。
进一步地,在上述步骤204的实现方式中,可以将商品价格的波动系数与随机干扰系数对比结果作为构造新模型的条件。如此,可以避免针对每一条数据流均生成一个新的RRCF模型,有助于降低运算量,提高效率。
作为示例,执行主体可以采用下方式构造新的RRCF模型:基于序列样本集中的各特征值,确定序列样本集中的各特征值的均值;基于序列样本集中的各特征值以及均值,确定序列样本集的波动系数;响应于波动系数不小于预设的随机干扰系数,基于序列样本集,构造新RRCF模型
进一步参考图4,其示出了用于检测异常数据的方法的又一个实施例的流程400。该用于检测异常数据的方法的流程400,包括以下步骤:
步骤401,获取待检测商品的数据流,数据流包括待检测商品的价格信息。
步骤402,基于数据流,构建待检测商品在预设时长内的价格时间序列。步骤401、402与前述步骤201、202相近,此处不再赘述。
步骤403,基于预设的随机干扰系数和均匀分布的随机数,对价格时间序列进行随机干扰,得到干扰后的价格时间序列。
步骤404,采用预设长度的滑窗,从干扰后的价格时间序列中截取出第一预设数量个序列样本,预设长度与第二预设数量对应。
步骤403和步骤404在前述实施例的可选的实现方式中已经有所描述,此处不再赘述。
步骤405,采用基于距离的均值池化算法,更新序列样本的各特征值。
在本实施例中,执行主体可以对序列样本中的各特征值进行池化处理,如此可以提高运算效率。
作为示例,执行主体可以执行如下公式(2)至公式(6)表征的步骤,以对序列样本进行池化处理:
Φ(x)=2*Sigmoid(x)-1 (2)
式中,表示步骤403中干扰后的价格时间序列;/>表示以窗口大小为n的滑窗从中截取到的以xi为起点的短序列;xi,j表示序列/>中的元素xi+j经过与序列/>中其它元素进行池化处理后得到的值;/>表示短序列/>经池化后得到的序列样本;/>表示序列样本集,为序列样本/>的集合。
步骤406,初始化预设的RRCF模型,得到初始化后的RRCF模型。
在本实施例中,执行主体可以加载预先生成的模型文件以初始化RRCF模型,得到初始化后的RRCF模型。
步骤407,将当前序列样本集中编码与目标序列样本的编码差值最大的当前序列样本输入初始化后的RRCF模型,并将初始化后的RRCF模型中输入时间最早的序列样本删除。
在本实施例中,可以通过不断新增序列样本,并遗忘已输入模型中的历史序列样本,可以实现RRCF模型的在线学习。
在一个具体的示例中,可以根据特征值的时间戳对序列样本编号,则当前序列样本表征当前序列样本集中距离目标序列样本时间间隔最大的样本序列,执行主体通过RRCF模型中的Insert模块将当前序列样本输入初始化后的RRCF模型,并通过RRCF模型中的Forget模块将当前该模型中最早输入的历史序列样本删除。直至最终将参考序列样本和目标序列样本输入该RRCF模型。
步骤408,从当前序列样本集中删除当前序列样本。
在本实施例中,执行主体可以将输入RRCF模型中的序列样本从序列样本集中删除,如此可以实现序列样本的不放回采样。
步骤409,分别将目标序列样本和参考序列样本输入更新后的RRCF模型,得到目标序列样本和参考序列样本的异常指数。
步骤410,基于目标序列样本和参考序列样本的异常指数,确定目标序列样本的异常评分。
步骤411,响应于确定异常评分大于预设的评分阈值,确定数据流中存在异常数据。步骤410、411与前述步骤205、206相近,此处不再赘述。
从图4可以看出,图4所示的用于检测异常数据的实施例突出了对序列样本中的特征值进行随机干扰和池化处理,以及基于序列样本集对RRCF的参数进行在线更新的步骤,可以实现对待检测商品价格的实时检测,并提高检测的准确度和时效性。
在图4所示的实施例中,步骤406至步骤407用于根据序列样本确定目标序列样本的异常指数,在本实施例的一些可选的实现方式中,还可以采用如下方式:基于序列样本集,构造新RRCF模型;分别将目标序列样本和参考序列样本输入新RRCF模型,得到目标序列样本和参考序列样本的异常指数。
在图4所示的实施例的一些可选的实现方式中,还可以采用如下方式确定目标序列样本和参考序列样本的异常指数:基于序列样本集中的各特征值,确定序列样本集中的各特征值的均值;基于序列样本集中的各特征值以及均值,确定序列样本集的波动系数;响应于波动系数不小于随机干扰系数,基于序列样本集,构造新RRCF模型;分别将目标序列样本和参考序列样本输入新RRCF模型,得到目标序列样本和参考序列样本的异常指数。
结合上述步骤405中的示例进行说明,执行主体可以执行如下公式(7)至公式(9)确定序列样本集中各特征值的均值以及波动系数,并判断是否构造新RRCF模型。
λ表示序列样本集的波动系数;μi表示n-1个特征值的均值;δ表示干扰系数;ε表示经验参数;y表示条件判断结果,1表示需构造新RRCF模型,0表示不需要构造新RRCF模型。
在图4所示的实施例的一些可选的实现方式中,若序列样本集中仅包括目标序列样本,此时执行主体可以初始化一个空的RRCF模型,然后直接将目标序列样本输入该初始化后的RRCF模型中,得到的目标序列样本的异常指数,然后将参考序列样本的异常指数取0,以此确定出目标序列样本的异常评分。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种用于检测异常数据的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于检测异常数据的装置500包括:数据获取单元501,被配置成获取待检测商品的数据流,数据流包括待检测商品的价格信息;序列构建单元502,被配置成基于数据流,构建待检测商品在预设时长内的价格时间序列;样本提取单元503,被配置成从价格时间序列中提取出第一预设数量个序列样本,并基于预设的编号策略,确定各序列样本的编号,得到序列样本集,其中,每个序列样本包括按照时间排列的第二预设数量个特征值,特征值表征待检测商品的价格信息;指数确定单元504,被配置成采用预设的RRCF模型,基于序列样本集,确定目标序列样本和参考序列样本的异常指数,目标样本序列为包括目标特征值的序列样本,目标特征值表征数据流中最新时刻的价格信息,参考序列样本为编号最接近目标序列样本的编号的序列样本;评分确定单元505,被配置成基于目标序列样本和参考序列样本的异常指数,确定目标序列样本的异常评分;结果确定单元506,被配置成响应于确定异常评分大于预设的评分阈值,确定数据流中存在异常数据。
在本实施例中,样本提取单元503进一步包括:随机干扰模块,被配置成基于预设的随机干扰系数和均匀分布的随机数,对价格时间序列进行随机干扰,得到干扰后的价格时间序列;序列截取模块,被配置成采用预设长度的滑窗,从干扰后的价格时间序列中截取出第一预设数量个序列样本,预设长度与第二预设数量对应;样本集生成模块,被配置成将第一预设数量个序列样本确定为序列样本集。
在本实施例中,样本提取单元503还进一步包括池化模块,被配置成采用基于距离的均值池化算法,更新序列样本的各特征值。
在本实施例中,指数确定单元504进一步包括:模型初始化模块,被配置成初始化预设的RRCF模型,得到初始化后的RRCF模型;模型更新模块,被配置成基于序列样本集,采用如下步骤更新初始化后的RRCF模型:将当前序列样本集中编码与目标序列样本的编码差值最大的当前序列样本输入初始化后的RRCF模型,并将初始化后的RRCF模型中输入时间最早的序列样本删除;从当前序列样本集中删除当前序列样本;第一指数计算模块,被配置成分别将目标序列样本和参考序列样本输入更新后的RRCF模型,得到目标序列样本和参考序列样本的异常指数。
在本实施例中,指数确定单元504进一步包括:第一模型构造模块,被配置成基于序列样本集,构造新RRCF模型;第二指数计算模块,被配置成分别将目标序列样本和参考序列样本输入新RRCF模型,得到目标序列样本和参考序列样本的异常指数。
在本实施例中,指数确定单元504进一步包括:均值确定模块,被配置成基于序列样本集中的各特征值,确定序列样本集中的各特征值的均值;波动确定模块,被配置成基于序列样本集中的各特征值以及均值,确定序列样本集的波动系数;第二模型构造模块,被配置成响应于波动系数不小于随机干扰系数,基于序列样本集,构造新RRCF模型;第三指数计算模块,被配置成分别将目标序列样本和参考序列样本输入新RRCF模型,得到目标序列样本和参考序列样本的异常指数。
下面参考图6,其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或终端设备)600的结构示意图。本公开的实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的终端设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的实施例的方法中限定的上述功能。需要说明的是,本公开的实施例所述的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或者是上述两者的任意组合。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可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本公开的实施例中,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。而在本公开的实施例中,计算机可读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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取待检测商品的数据流,数据流包括待检测商品的价格信息;基于数据流,构建待检测商品在预设时长内的价格时间序列;从价格时间序列中提取出第一预设数量个序列样本,并基于预设的编号策略,确定各序列样本的编号,得到序列样本集,其中,每个序列样本包括按照时间排列的第二预设数量个特征值,特征值表征待检测商品的价格信息;采用预设的RRCF模型,基于序列样本集,确定目标序列样本和参考序列样本的异常指数,目标样本序列为包括目标特征值的序列样本,目标特征值表征数据流中最新时刻的价格信息,参考序列样本为编号最接近目标序列样本的编号的序列样本;基于目标序列样本和参考序列样本的异常指数,确定目标序列样本的异常评分;响应于确定异常评分大于预设的评分阈值,确定数据流中存在异常数据。
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公开的实施例的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计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括数据获取单元、序列构建单元、样本提取单元、指数确定单元、评分确定单元和结果确定单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,数据获取单元还可以被描述为“获取待检测商品的数据流的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种用于检测异常数据的方法,其中,包括:
获取待检测商品的数据流,所述数据流包括所述待检测商品的价格信息;
基于所述数据流,构建所述待检测商品在预设时长内的价格时间序列;
从所述价格时间序列中提取出第一预设数量个序列样本,并基于预设的编号策略,确定各所述序列样本的编号,得到序列样本集,其中,每个所述序列样本包括按照时间排列的第二预设数量个特征值,所述特征值表征所述待检测商品的价格信息;
采用预设的RRCF(Robust Random Cut Forest,鲁棒随机砍伐森林)模型,基于所述序列样本集,确定目标序列样本和参考序列样本的异常指数,所述目标序列样本为包括目标特征值的序列样本,所述目标特征值表征所述数据流中最新时刻的价格信息,所述参考序列样本为编号最接近所述目标序列样本的编号的序列样本;
基于所述目标序列样本和所述参考序列样本的异常指数,确定所述目标序列样本的异常评分;
响应于确定所述异常评分大于预设的评分阈值,确定所述数据流中存在异常数据。
2.根据权利要求1所述的方法,其中,所述序列样本集经由如下步骤生成:
基于预设的随机干扰系数和均匀分布的随机数,对所述价格时间序列进行随机干扰,得到干扰后的价格时间序列;
采用预设长度的滑窗,从所述干扰后的价格时间序列中截取出第一预设数量个序列样本,所述预设长度与所述第二预设数量对应;
将所述第一预设数量个序列样本确定为所述序列样本集。
3.根据权利要求2所述的方法,其中,将所述第一预设数量个序列样本确定为所述序列样本集,之前,所述方法还包括:
采用基于距离的均值池化算法,更新所述序列样本的各特征值。
4.根据权利要求3所述的方法,其中,采用预设的RRCF模型,基于所述序列样本集,确定目标序列样本和参考序列样本的异常指数,包括:
初始化所述预设的RRCF模型,得到初始化后的RRCF模型;
基于所述序列样本集,采用如下步骤更新所述初始化后的RRCF模型:将当前序列样本集中编码与所述目标序列样本的编码差值最大的当前序列样本输入所述初始化后的RRCF模型,并将所述初始化后的RRCF模型中输入时间最早的序列样本删除;从当前序列样本集中删除所述当前序列样本;
分别将所述目标序列样本和所述参考序列样本输入更新后的所述RRCF模型,得到所述目标序列样本和所述参考序列样本的异常指数。
5.根据权利要求3所述的方法,其中,采用预设的RRCF模型,基于所述序列样本集,确定目标序列样本和参考序列样本的异常指数,包括:
基于所述序列样本集,构造新RRCF模型;
分别将所述目标序列样本和所述参考序列样本输入所述新RRCF模型,得到所述目标序列样本和所述参考序列样本的异常指数。
6.根据权利要求3所述的方法,其中,采用预设的RRCF模型,基于所述序列样本集,确定目标序列样本和参考序列样本的异常指数,包括:
基于所述序列样本集中的各特征值,确定所述序列样本集中的各特征值的均值;
基于所述序列样本集中的各特征值以及所述均值,确定所述序列样本集的波动系数;
响应于所述波动系数不小于所述随机干扰系数,基于所述序列样本集,构造新RRCF模型;
分别将所述目标序列样本和所述参考序列样本输入所述新RRCF模型,得到所述目标序列样本和所述参考序列样本的异常指数。
7.一种用于检测异常数据的装置,其中,包括:
数据获取单元,被配置成获取待检测商品的数据流,所述数据流包括所述待检测商品的价格信息;
序列构建单元,被配置成基于所述数据流,构建所述待检测商品在预设时长内的价格时间序列;
样本提取单元,被配置成从所述价格时间序列中提取出第一预设数量个序列样本,并基于预设的编号策略,确定各所述序列样本的编号,得到序列样本集,其中,每个所述序列样本包括按照时间排列的第二预设数量个特征值,所述特征值表征所述待检测商品的价格信息;
指数确定单元,被配置成采用预设的RRCF模型,基于所述序列样本集,确定目标序列样本和参考序列样本的异常指数,所述目标序列样本为包括目标特征值的序列样本,所述目标特征值表征所述数据流中最新时刻的价格信息,所述参考序列样本为编号最接近所述目标序列样本的编号的序列样本;
评分确定单元,被配置成基于所述目标序列样本和所述参考序列样本的异常指数,确定所述目标序列样本的异常评分;
结果确定单元,被配置成响应于确定所述异常评分大于预设的评分阈值,确定所述数据流中存在异常数据。
8.根据权利要求7所述的装置,其中,所述样本提取单元进一步包括:
随机干扰模块,被配置成基于预设的随机干扰系数和均匀分布的随机数,对所述价格时间序列进行随机干扰,得到干扰后的价格时间序列;
序列截取模块,被配置成采用预设长度的滑窗,从所述干扰后的价格时间序列中截取出第一预设数量个序列样本,所述预设长度与所述第二预设数量对应;
样本集生成模块,被配置成将所述第一预设数量个序列样本确定为所述序列样本集。
9.根据权利要求8所述的装置,其中,所述样本提取单元还进一步包括池化模块,被配置成采用基于距离的均值池化算法,更新所述序列样本的各特征值。
10.根据权利要求9所述的装置,其中,所述指数确定单元进一步包括:
模型初始化模块,被配置成初始化所述预设的RRCF模型,得到初始化后的RRCF模型;
模型更新模块,被配置成基于所述序列样本集,采用如下步骤更新所述初始化后的RRCF模型:将当前序列样本集中编码与所述目标序列样本的编码差值最大的当前序列样本输入所述初始化后的RRCF模型,并将所述初始化后的RRCF模型中输入时间最早的序列样本删除;从当前序列样本集中删除所述当前序列样本;
第一指数计算模块,被配置成分别将所述目标序列样本和所述参考序列样本输入更新后的所述RRCF模型,得到所述目标序列样本和所述参考序列样本的异常指数。
11.根据权利要求9所述的装置,其中,所述指数确定单元进一步包括:
第一模型构造模块,被配置成基于所述序列样本集,构造新RRCF模型;
第二指数计算模块,被配置成分别将所述目标序列样本和所述参考序列样本输入所述新RRCF模型,得到所述目标序列样本和所述参考序列样本的异常指数。
12.根据权利要求9所述的装置,其中,所述指数确定单元进一步包括:
均值确定模块,被配置成基于所述序列样本集中的各特征值,确定所述序列样本集中的各特征值的均值;
波动确定模块,被配置成基于所述序列样本集中的各特征值以及所述均值,确定所述序列样本集的波动系数;
第二模型构造模块,被配置成响应于所述波动系数不小于所述随机干扰系数,基于所述序列样本集,构造新RRCF模型;
第三指数计算模块,被配置成分别将所述目标序列样本和所述参考序列样本输入所述新RRCF模型,得到所述目标序列样本和所述参考序列样本的异常指数。
13.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110228171.XA CN113779103B (zh) | 2021-03-02 | 2021-03-02 | 用于检测异常数据的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110228171.XA CN113779103B (zh) | 2021-03-02 | 2021-03-02 | 用于检测异常数据的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113779103A CN113779103A (zh) | 2021-12-10 |
CN113779103B true CN113779103B (zh) | 2024-04-09 |
Family
ID=78835590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110228171.XA Active CN113779103B (zh) | 2021-03-02 | 2021-03-02 | 用于检测异常数据的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113779103B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5815198A (en) * | 1996-05-31 | 1998-09-29 | Vachtsevanos; George J. | Method and apparatus for analyzing an image to detect and identify defects |
WO2003081211A2 (en) * | 2002-03-19 | 2003-10-02 | Cengent Therapeutics, Inc. | Discrete bayesian analysis of data |
WO2007107659A2 (fr) * | 2006-03-21 | 2007-09-27 | France Telecom | Quantification vectorielle contrainte |
CN109214584A (zh) * | 2018-09-21 | 2019-01-15 | 北京百度网讯科技有限公司 | 用于预测客流量的方法和装置 |
CN109388548A (zh) * | 2018-09-29 | 2019-02-26 | 北京京东金融科技控股有限公司 | 用于生成信息的方法和装置 |
US10902062B1 (en) * | 2017-08-24 | 2021-01-26 | Amazon Technologies, Inc. | Artificial intelligence system providing dimension-level anomaly score attributions for streaming data |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7617010B2 (en) * | 2005-12-28 | 2009-11-10 | Microsoft Corporation | Detecting instabilities in time series forecasting |
-
2021
- 2021-03-02 CN CN202110228171.XA patent/CN113779103B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5815198A (en) * | 1996-05-31 | 1998-09-29 | Vachtsevanos; George J. | Method and apparatus for analyzing an image to detect and identify defects |
WO2003081211A2 (en) * | 2002-03-19 | 2003-10-02 | Cengent Therapeutics, Inc. | Discrete bayesian analysis of data |
WO2007107659A2 (fr) * | 2006-03-21 | 2007-09-27 | France Telecom | Quantification vectorielle contrainte |
US10902062B1 (en) * | 2017-08-24 | 2021-01-26 | Amazon Technologies, Inc. | Artificial intelligence system providing dimension-level anomaly score attributions for streaming data |
CN109214584A (zh) * | 2018-09-21 | 2019-01-15 | 北京百度网讯科技有限公司 | 用于预测客流量的方法和装置 |
CN109388548A (zh) * | 2018-09-29 | 2019-02-26 | 北京京东金融科技控股有限公司 | 用于生成信息的方法和装置 |
Non-Patent Citations (1)
Title |
---|
郭嘉琰 ; 李荣华 ; 张岩 ; 王国仁 ; .基于图神经网络的动态网络异常检测算法.软件学报.(03),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113779103A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929799B (zh) | 用于检测异常用户的方法、电子设备和计算机可读介质 | |
CN113411645B (zh) | 信息推荐方法及装置、电子设备和介质 | |
CN114791982B (zh) | 对象推荐方法和装置 | |
CN111177433A (zh) | 用于并行处理信息的方法和装置 | |
CN111783810A (zh) | 用于确定用户的属性信息的方法和装置 | |
WO2022188534A1 (zh) | 信息推送的方法和装置 | |
CN114049072B (zh) | 指标确定方法、装置、电子设备和计算机可读介质 | |
US20220058493A1 (en) | System and method for compact tree representation for machine learning | |
CN112330059B (zh) | 用于生成预测分数的方法、装置、电子设备和介质 | |
CN113779103B (zh) | 用于检测异常数据的方法和装置 | |
CN115187364A (zh) | 银行分布式场景下保证金风险监控的方法及装置 | |
CN113553501A (zh) | 一种基于人工智能的用户画像预测的方法及装置 | |
CN117057681B (zh) | 软件质量评估方法、装置、设备和存储介质 | |
CN116383372B (zh) | 基于人工智能的数据分析方法及系统 | |
CN112214387B (zh) | 基于知识图谱的用户操作行为预测方法及装置 | |
CN114066278B (zh) | 物品召回的评估方法、装置、介质及程序产品 | |
CN111709786B (zh) | 用于生成用户留存时间的方法、装置、设备和介质 | |
CN113420227B (zh) | 点击率预估模型的训练方法、预估点击率的方法、装置 | |
CN113362097B (zh) | 一种用户确定方法和装置 | |
CN118014110A (zh) | 点击率预测网络生成方法、装置 | |
CN117952723A (zh) | 产品排序方法、装置、电子设备和存储介质 | |
CN115100461A (zh) | 图像分类模型训练方法、装置、电子设备、介质 | |
CN117237009A (zh) | 权益推送风险预警方法、装置、计算机设备及存储介质 | |
CN115221427A (zh) | 时间序列预测方法、装置、设备、介质及程序产品 | |
CN116319386A (zh) | 可用性及故障预测方法、装置、电子设备和介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |