CN115757365A - 多维时序数据异常检测方法、模型训练方法及装置 - Google Patents

多维时序数据异常检测方法、模型训练方法及装置 Download PDF

Info

Publication number
CN115757365A
CN115757365A CN202111032307.6A CN202111032307A CN115757365A CN 115757365 A CN115757365 A CN 115757365A CN 202111032307 A CN202111032307 A CN 202111032307A CN 115757365 A CN115757365 A CN 115757365A
Authority
CN
China
Prior art keywords
time sequence
training
data
sequence data
correlation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111032307.6A
Other languages
English (en)
Inventor
刘卫卫
雷舒雅
李寒
张文思
黄林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Global Energy Interconnection Research Institute
State Grid Sichuan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Global Energy Interconnection Research Institute
State Grid Sichuan Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Global Energy Interconnection Research Institute, State Grid Sichuan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202111032307.6A priority Critical patent/CN115757365A/zh
Publication of CN115757365A publication Critical patent/CN115757365A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明提供了一种多维时序数据异常检测方法、模型训练方法及装置,其中,多维时序数据异常检测模型训练方法包括:获取目标对象在预设时间段内各维度的训练时序数据;分别提取各维度的训练时序数据的特征;分别计算两两组合的训练时序数据的特征之间的相关性;根据各维度的训练时序数据的特征和两两组合的训练时序数据的特征之间的相关性建立时序相关图;将时序相关图输入图卷积网络,对图卷积网络进行训练,得到多维时序数据异常检测模型。通过实施本发明能够以更小的代价、更简单地得到的多维时序数据异常检测模型,并且利用本发明训练得到的多维时序异常检测模型对多维的时序数据进行异常检测时,准确性更高。

Description

多维时序数据异常检测方法、模型训练方法及装置
技术领域
本发明涉及智能故障诊断技术领域,具体涉及一种多维时序数据异常检测方法、模型训练方法及装置。
背景技术
现如今,各种数据源不断地生成海量的时间序列数据,包括数据中心的传感器网络,应用程序的日志文件,金融服务,量化交易等。时间序列数据是将某种统计指标的数值,按时间先后顺序排序所形成的数列,简称为训练时序数据。异常检测(Anomaly detection)是目前训练时序数据分析最成熟的应用之一,通过对训练时序数据进行异常检测,分析历史数据,查看当前的数据是否发生了明显偏离了正常的情况,可以判断系统当前的状态,辅助用户进行决策。现有的时间序列异常检测方法包括传统机器学习方法和基于深度学习的方法两大类。
传统机器学习将时间序列异常检测转化为二分类问题,首先通过统计方法来提取相关特征,然后使用功能强大的分类器来对训练时序数据进行分类预测。然而利用传统机器学习进行训练时序数据异常检测的方法的计算扩展性能较差,当对多个维度的时序特征进行异常检测时,存在维数灾难问题。
有两类基于深度学习的训练时序数据异常检测方法。第一种方法首先提取训练时序数据相关特征,然后使用深度学习的神经网络模型进行分类。该方法同传统机器学习方法类似,不能适用于较大的训练时序数据集。第二种方法首先通过递归神经网络来重构正常的训练时序数据,然后利用重构误差进行建模,根据重构误差检测新来的样本。然而基于深度学习的异常检测方法较难应用于真实场景,因为其未能充分考虑到异常检测正负样本分布不均的问题,并且使用递归神经网络来对重构误差进行建模也不能保证其探测效率。
由上述分析可知,现有训练时序数据异常检测技术主要基于单变量的训练时序数据的相关特征。多维的时间序列数据具有规模大、短期波动频繁、大量噪声干扰以及非稳态等特点,这使得直接利用原始的时间序列数据进行异常识别不但效率低下,而且会出现误报错报的情况。
发明内容
因此,本发明要解决的技术问题在于克服现有技术中的对多维时间序列进行异常识别时效率低下且准确性较差的缺陷,从而提供一种多维时序数据异常检测方法、模型训练方法及装置。
本发明第一方面提供了一种多维时序数据异常检测模型训练方法,包括:获取目标对象在预设时间段内各维度的训练时序数据;分别提取各维度的训练时序数据的特征;分别计算两两组合的训练时序数据的特征之间的相关性,得到不同的时序相关矩阵,将不同的时序相关矩阵合并为多维矩阵数组,多维矩阵数组的维度与计算相关性所采用的计算方式的数量相同;将多维矩阵数组转换为时序相关图;将时序相关图输入图卷积网络,对图卷积网络进行训练,得到多维时序数据异常检测模型。
可选地,在本发明提供的多维时序数据异常检测模型训练方法中,将多维矩阵数组转换为时序相关图,包括:根据多维矩阵数组确定两两组合的训练时序数据的特征之间的相关性向量;根据各维度的训练时序数据的特征构建各维度的训练时序数据的特征向量;以各维度的训练时序数据的特征向量为节点,以两两组合的训练时序数据的特征之间的相关性向量作为连接各节点的边,建立时序相关图。
可选地,在本发明提供的多维时序数据异常检测模型训练方法中,获取目标对象在预设时间段内各维度的训练时序数据的步骤,包括:获取目标对象在预设时间段内各维度的时序数据;根据各时序数据对应的采集时间间隔以及各时序数据的数据量计算各时序数据的数据缺失率;将数据缺失率小于第一预设值的时序数据确定为训练时序数据。
可选地,在本发明提供的多维时序数据异常检测模型训练方法中,获取目标对象在预设时间段内各维度的训练时序数据的步骤,包括:获取目标对象在预设时间段内各维度的时序数据;将各时序数据中不满足与各时序数据相对应的约束条件的数据确定为错误数据;根据各时序数据中的错误数据的数据量计算各时序数据的错误率,将错误率小于第二预设值的时序数据确定为训练时序数据。
可选地,在本发明提供的多维时序数据异常检测模型训练方法中,在获取目标对象在预设时间段内各维度的训练时序数据的步骤之后,分别提取各维度的训练时序数据的特征的步骤之前,还包括:分别根据各训练时序数据建立与各训练时序数据对应的回归方程;通过与各训练时序数据对应的回归方程填充各训练时序数据中的空值,形成完整的训练时序数据。
本发明第二方面提供了一种多维时序数据异常检测方法,包括:获取目标对象在预设时间段内各维度的待检测时序数据;分别提取各维度的待检测时序数据的特征;分别计算两两组合的待检测时序数据的特征之间的相关性,得到不同的时序相关矩阵,将不同的时序相关矩阵合并为多维矩阵数组,多维矩阵数组的维度与计算相关性所采用的计算方式的数量相同;将多维矩阵数组转换为时序相关图;将时序相关图输入多维时序数据异常检测模型,得到待检测时序数据的异常检测结果,多维时序数据异常检测模型通过本发明第一方面提供的多维时序数据异常检测模型训练方法训练得到。
本发明第三方面提供了一种多维时序数据异常检测模型训练装置,包括:训练数据获取模块,用于获取目标对象在预设时间段内各维度的训练时序数据;训练特征计算模块,用于分别提取各维度的训练时序数据的特征;训练多维矩阵数组计算模块,用于分别计算两两组合的训练时序数据的特征之间的相关性,得到不同的时序相关矩阵,将不同的时序相关矩阵合并为多维矩阵数组,多维矩阵数组的维度与计算相关性所采用的计算方式的数量相同;训练时序相关图转换模块,用于将多维矩阵数组转换为时序相关图;模型训练模块,用于将时序相关图输入图卷积网络,对图卷积网络进行训练,得到多维时序数据异常检测模型。
可选地,在本发明提供的多维时序数据异常检测模型训练装置中,训练时序相关图转换模块包括:时序相关矩阵计算子模块,用于分别根据各种方式计算得到的两两组合的训练时序数据的特征之间的相关性建立不同的时序相关矩阵;时序相关矩阵合并子模块,用于将不同的时序相关矩阵合并为多维矩阵数组,多维矩阵数组的维度与计算相关性所采用的计算方式的数量相同;相关性向量计算子模块,用于根据多维矩阵数组确定两两组合的训练时序数据的特征之间的相关性向量;时序相关图建立子模块,用于以各维度的训练时序数据的特征向量为节点,以两两组合的训练时序数据的特征之间的相关性向量作为连接各节点的边,建立时序相关图。
可选地,在本发明提供的多维时序数据异常检测模型训练装置中,训练数据获取模块包括:时序数据获取子模块,用于获取目标对象在预设时间段内各维度的时序数据;数据缺失率计算子模块,用于根据各时序数据对应的采集时间间隔以及各时序数据的数据量计算各时序数据的数据缺失率;训练时序数据获取子模块,用于将数据缺失率小于第一预设值的时序数据确定为训练时序数据。
可选地,在本发明提供的多维时序数据异常检测模型训练装置中,训练数据获取模块包括:时序数据获取子模块,用于获取目标对象在预设时间段内各维度的时序数据;错误数据判断子模块,用于将各时序数据中不满足与各时序数据相对应的约束条件的数据确定为错误数据;训练时序数据获取子模块,用于根据各时序数据中的错误数据的数据量计算各时序数据的错误率,将错误率小于第二预设值的时序数据确定为训练时序数据。
可选地,本发明提供的多维时序数据异常检测模型训练装置还包括:回归方程建立模块,用于分别根据各训练时序数据建立与各训练时序数据对应的回归方程;训练时序数据完善模块,用于通过与各训练时序数据对应的回归方程填充各训练时序数据中的空值,形成完整的训练时序数据。
本发明第四方面提供了一种多维时序数据异常检测装置,其特征在于,包括:时序数据获取模块,用于获取目标对象在预设时间段内各维度的待检测时序数据;特征提取模块,用于分别提取各维度的待检测时序数据的特征;多维矩阵数组计算模块,用于分别计算两两组合的待检测时序数据的特征之间的相关性,得到不同的时序相关矩阵,将不同的时序相关矩阵合并为多维矩阵数组,多维矩阵数组的维度与计算相关性所采用的计算方式的数量相同;时序相关图转换模块,用于将多维矩阵数组转换为时序相关图;时序数据检测模块,用于将时序相关图输入多维时序数据异常检测模型,得到待检测时序数据的异常检测结果,多维时序数据异常检测模型通过本发明第一方面提供的多维时序数据异常检测模型训练方法训练得到。
本发明第五方面提供了一种计算机设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,从而执行如本发明第一方面提供的多维时序数据异常检测模型训练方法,或,如本发明第二方面提供的多维时序数据异常检测方法。
本发明第六方面提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使计算机执行如本发明第一方面提供的多维时序数据异常检测模型训练方法,或,如本发明第二方面提供的多维时序数据异常检测方法。
本发明技术方案,具有如下优点:
1.本发明实施例提供的多维时序数据异常检测模型训练方法,在获取到目标对象多个维度的训练时序数据后,不仅提取了各训练时序数据各自的特征,还计算了训练时序数据的特征之间的相关性,根据各维度的训练时序数据的特征和两两组合的训练时序数据的特征之间的相关性建立时序相关图,利用时序相关图对图卷积网络进行训练得到多维时序数据异常检测模型,由于在一般情况下,同一目标对象的在不同纬度的时序数据之间的相关性相对稳定,当异常出现时,相关性会发生突变,因此,以各训练时序数据的特征以及各训练时序数据的特征之间的相关性对图卷积网络进行训练,能够以更小的代价、更简单地得到的多维时序数据异常检测模型,并且利用本发明训练得到的多维时序异常检测模型对多维的时序数据进行异常检测时,准确性更高。除此之外,在本发明提供的方法中,用于输入图卷积网络中对图卷积网络进行训练的是由训练时序数据的特征和各训练时序数据的特征之间的相关性得到的时序相关图,而不是原始的训练时序数据,通过时序相关图对图卷积网络进行训练时,数据规模较小,训练速度更快。
2.本发明提供的多维时序数据异常检测模型训练方法,以各维度的训练时序数据的特征向量为节点,以两两组合的训练时序数据的特征之间的相关性向量作为连接各节点的边建立了时序相关图,然后将时序相关图输入到图卷积网络中,通过上述过程,使得输入图卷及网络中的节点向量和边向量的长度是可控的,从而降低了数据的规模,并且,在本发明提供的方法中,对训练时序数据进行预处理得到时序相关图,保留了多维训练时序数据中反映目标对象状态的关键信息,去除冗余信息,使得本发明提供的方法抗噪能力更好,从而通过实施本发明训练得到的模型具有较高的准确性及可靠性。
3.本发明提供的多维时序数据异常检测方法,在获取到目标对象多个维度的待检测时序数据后,提取了各待检测时序数据各自的特征,并采用计算了待检测时序数据的特征之间的相关性,根据各检测时序数据的特征和各检测时序数据的特征之间的相关性形成时序相关图后,将时序相关图输入到多维时序数据异常检测模型中,得到待检测时序数据的异常检测结果。由于在一般情况下,同一目标对象的在不同纬度的时序数据之间的相关性相对稳定,当异常出现时,相关性会发生突变,因此,将各待检测时序数据的特征以及各待检测时序数据的特征之间的相关性得到的时序相关图输入到多维时序数据异常检测模型中,能够得到更准确的检测结果。并且,对待检测时序数据进行异常检测时所使用的模型是由本发明提供的多维时序数据异常检测模型训练方法训练得到的,更进一步提高了检测结果的准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中多维时序数据异常检测模型训练方法的一个具体示例的流程图;
图2为本发明实施例中光伏电厂中的日照总辐射示意图以及光伏电厂中发电功率示意图;
图3为本发明实施例中图卷积网络结构示意图;
图4为本发明实施例中多维矩阵数组示意图;
图5为本发明实施例中时序相关图示意图;
图6为本发明实施例中检测到的相关性改变异常检测示意图;
图7为本发明实施例中提供的多维时序数据异常检测方法示意图;
图8为本发明实施例中提供的多维时序数据异常检测模型训练装置原理框图;
图9为本发明实施例中提供的多维时序数据异常检测装置原理框图;
图10为本发明实施例中提供的计算机设备的一个具体示例的原理框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例提供了一种多维时序数据异常检测模型训练方法,如图1所示,包括:
步骤S11:获取目标对象在预设时间段内各维度的训练时序数据。
在一可选实施例中,目标对象可以是正在运行的设备,也可以是其他任意能够被采集到时序数据的对象,各维度的训练时序数据时通过不同的渠道分别按照一定的时间间隔采集机到的数据,示例性地,当目标对象是正在运行的设备时,不同维度的时序数据可以是不同的传感器按照一定的时间间隔采集到的数据。
在一可选实施例中,为了避免因各维度的数据不同步导致训练得到的模型无法准确完成对时序数据的异常检测,在获取训练数据时,可以控制采集各训练时序数据的设备保持采集频率的同步,也可以在各设备按照各自的采集频率分别采集到时序数据后,对各维时序数据进行同步处理,从而得到各维度的训练时序数据。
步骤S12:分别提取各维度的训练时序数据的特征。
在一可选实施例中,训练时序数据的特征包括统计特征和形态特征,其中,统计特征包括训练时序数据中各数据的均值、方差、标准差等,形态特征包括训练时序数据的峰度、偏度等。
步骤S13:分别计算两两组合的训练时序数据的特征之间的相关性。
在多维时间序列数据中,处于同一个系统或具有物理关系的序列间往往呈现出较强的相似性,如图2所示,左图表示光伏电厂传感器采集到的光辐射的数据,横坐标为时间,纵坐标为辐射量,右图则表示光伏电厂当天的发电功率,图中表示的是2016年1月1日的数据,可以看出随着光照辐射的增加,检测到的发电功率也逐步增加,这符合我们的日常认知,同样的比如当天为多云天气,日照情况并不稳定,那么发电功率的数据也就会随着日照辐射的变化而变化。
由此可见,当目标对象正常时,目标的对象不同维度的时序数据之间的相关性相对稳定,当目标的对象异常时,其不同维度的时序数据之间的相关性也会出现异常,因此通过对时序数据相关性知识的挖掘,既节约了计算成本,又能够实现对复杂模式的异常数据的精准识别。
在本发明实施例中,在计算两两组合的训练时序数据的特征之间的相关性时,分别采用不同的方法计算训练时序数据的特征与其他各训练时序数据的特征之间的相关性,任意两个训练时序数据的特征之间的相关性分别通过四种不同的方式进行计算。
示例性地,若存在多维的训练时序数据a、b、c、d,则可以将a、b、c、d按照两两分组分为以下几组:(a,b)、(a,c)、(a,d)、(b,c)、(b,d)、(c,d),对于每一组训练时序数据,都计算训练时序数据的特征之间的相关性。
在一可选实施例中,用于训练时序数据的特征之间相关性可以用欧式距离(Euclidean Distance)、切比雪夫距离(Chebyshev Distance)、余弦相似度(CosineSimilarity)、皮尔森相关系数(Pearson Correlation Coefficient)等表示,对于不同的目标对象,计算其不同维度的时序数据的特征之间的相关性时,可以选择不同的方式进行计算。
在一可选实施例中,计算欧式距离的公式表达如下:
Figure BDA0003245828240000111
其中,xi和yi分别表示不同的训练时序数据的第i个特征的值。
在一可选实施例中,计算切比雪夫距离的公式表达如下:
Figure BDA0003245828240000121
其中,xi和yi分别表示不同的训练时序数据的第i个特征的值。
在一可选实施例中,计算余弦相似度的公式表达如下:
Figure BDA0003245828240000122
其中,x1k和x2k分别表示不同的训练时序数据的第k个特征的值。
在一可选实施例中,计算皮尔森相关系数的公式表达如下:
Figure BDA0003245828240000123
其中,X和Y分别表示不同的训练时序数据的特征的值。
步骤S14:根据各维度的训练时序数据的特征和两两组合的训练时序数据的特征之间的相关性建立时序相关图。
在一可选实施例中,时序相关图为无向图。
在一可选实施例中,时序相关图中的节点为各维度的训练时序数据的特征,时序相关图中连接各节点的边为两两组合的训练时序数据的特征之间的相关性,示例性地,若时序相关图中包括节点a和节点b,节点a表示训练时序数据a的特征,节点b表示训练时序数据b的特征,则连接节点a和节点b的边为训练时序数据a的特征进和训练时序数据b的特征之间的相关性。
在一可选实施例中,当各维度的训练时序数据包括多个特征时,时序相关图的节点为各维度的训练时序数据的特征向量。
在一可选实施例中,当采用多种方式分别计算两两组合的训练时序数据的特征之间的相关性时,时序相关图的边为两两组合的训练时序数据的特征之间的相关性向量。
步骤S15:将时序相关图输入图卷积网络,对图卷积网络进行训练,得到多维时序数据异常检测模型。
在一可选实施例中,将时序相关图G=(V,E)(V代表时序相关图的节点,E代表时序相关图的边)输入到图卷积网络中时,假定该时序相关图的节点的个数为n,边的个数为m,那么该图可以用一个大小为n×n的邻接矩阵来表示。顶点Vi表示A中的第i行的某个节点,Vj表示A中的第j列的某个节点。如果Vi到Vj存在一条边,则Vi和Vj相邻,记Ai,j=1,否则记Ai,j=0。将节点和边的属性作为深度学习中的特征。
在一可选实施例中,如图3所示,图卷积网络异常检测模型包含三个部分:
首先是网络前部模块。该模块包含了8个注意力图卷积模块(GCN),每个注意力图卷积模块的输出通道数分别为64,64,64,128,128,128,256,256。注意力卷积模块对数据的计算公式为:
Figure BDA0003245828240000131
其中,f表示特征映射;v为图的顶点;B(vti)表示节点vti对其邻域所有节点的映射;Zti(vti)为临近节点的数量;lti(vtj)表示节点向其领域节点的映射;w为图卷积模块中训练得到的权重;fout为变换结果,fin为激活函数。
第二部分为全局平均池化层(Global Average Pooling,GAP),该模块的主要功能是将不同样本的特征映射池化到相同大小。
第三部分为分类器,全局平均池化层将池化得到的特征经过全连接层映射到样本标记空间后,输出到Softmax分类器进行分类预测。在分类器中,首先Softmax函数会将原来各神经网络节点的输出映射成为(0,1)区间内的值,该值代表了各个类别发生的概率,累加和为1。通过比较可以找到概率最大的节点,将该节点所对应的类别作为最后预测的结果。此外,作为单分类任务,选取交叉熵损失函数作为该模型的训练损失函数。
在一可选实施例中,在对图卷积网络进行训练时,使用随机梯度下降(SGD)法进行数据优化,计算过程中将batch_size的值设为10,权重衰减因子的值设为1E-4,学习速率设为0.01。
本发明实施例提供的多维时序数据异常检测模型训练方法,在获取到目标对象多个维度的训练时序数据后,不仅提取了各训练时序数据各自的特征,还计算了训练时序数据的特征之间的相关性,根据各维度的训练时序数据的特征和两两组合的训练时序数据的特征之间的相关性建立时序相关图,利用时序相关图对图卷积网络进行训练得到多维时序数据异常检测模型,由于在一般情况下,同一目标对象的在不同纬度的时序数据之间的相关性相对稳定,当异常出现时,相关性会发生突变,因此,以各训练时序数据的特征以及各训练时序数据的特征之间的相关性对图卷积网络进行训练,能够以更小的代价、更简单地得到的多维时序数据异常检测模型,并且利用本发明训练得到的多维时序异常检测模型对多维的时序数据进行异常检测时,准确性更高。除此之外,在本发明提供的方法中,用于输入图卷积网络中对图卷积网络进行训练的是由训练时序数据的特征和各训练时序数据的特征之间的相关性得到的时序相关图,而不是原始的训练时序数据,通过时序相关图对图卷积网络进行训练时,数据规模较小,训练速度更快。
在一可选实施例中,上述步骤S40具体包括如下步骤:
步骤一:分别根据各种方式计算得到的两两组合的训练时序数据的特征之间的相关性建立不同的时序相关矩阵。
由每一种方式计算得到的两两组合的训练时序数据的特征之间的相关性都会形成一个相关矩阵,示例性地,如图4所示,分别采用三种不同的方式计算f1、f2、f3、f4、f5之间的相关性,从而得到了三个时序相关矩阵。
步骤二:将不同的时序相关矩阵合并为多维矩阵数组,多维矩阵数组的维度与计算相关性所采用的计算方式的数量相同。
在本发明实施例中,在将不同的时序相关矩阵合并为多维矩阵数组时,需要先将各时序相关矩阵中各行各列所表征的训练时序数据对应,示例性地,如图4所示,在将不同的时序相关矩阵合并为多维矩阵数组时,先将各时序相关矩阵中各行各列所表征的训练时序数据做调整,使得每个时序相关矩阵中第一行表征f1、第二行表征f2、第三行表征f3、第四行表征f4、第五行表征f5、第一列表征f1、第二列表征f2、第三列表征f3、第四列表征f4、第五列表征f5,然后将各多维矩阵数组进行合并。
步骤三:根据多维矩阵数组确定两两组合的训练时序数据的特征之间的相关性向量。
两两组合的训练时序数据的特征之间的相关性向量是由多种计算得到的两两组合的训练时序数据的特征之间的不同的相关性组合得到的。
在一可选实施例中,在根据多维矩阵数组确定第一训练时序数据的特征和第二训练时序数据的特征之间的相关性向量时,可以先在多维矩阵数组中确定第一训练时序数据所在列以及第二训练时序数据所在行(或第一训练时序数据所在行以及第二训练时序数据所在列),然后将与第一训练时序数据所在列属于同一列,且与第二训练时序数据所在行属于同一行的所有数据进行组合(或将与第一训练时序数据所在行属于同一行,且与第二训练时序数据所在列属于同一列的所有数据进行组合),形成第一训练时序数据的特征与第二训练时序数据的特征之间的相关性向量。
步骤四:以各维度的训练时序数据的特征向量为节点,以两两组合的训练时序数据的特征之间的相关性向量作为连接各节点的边,建立时序相关图。示例性地,建立的时序相关图如图5所示。
可选地,在本发明实施例提供的多维时序数据异常检测模型训练方法中,上述步骤S10具体包括:
首先,获取目标对象在预设时间段内各维度的时序数据。各维度的时序数据是通过不同的设备按照一定的时间间隔所采集的。
然后,根据各时序数据对应的采集时间间隔以及各时序数据的数据量计算各时序数据的数据缺失率。
在一可选实施例中,各时序数据都有其对应的采集时间间隔,根据预设时间段的时长以及各时序数据的采集时间间隔可以确定各时序数据中的理论数据量,根据各时序数据的实际数据量和理论数据量即可计算得到各时序数据的数据缺失率。
最后,将数据缺失率小于第一预设值的时序数据确定为训练时序数据。示例性地,可以将缺失率大于或等于20%的时序数据删除,将缺失率小于20%的时序数据确定为训练时序数据。
可选地,在本发明实施例提供的多维时序数据异常检测模型训练方法中,上述步骤S10具体包括:
首先,获取目标对象在预设时间段内各维度的时序数据。各维度的时序数据是通过不同的设备按照一定的时间间隔所采集的。
然后,将各时序数据中不满足与各时序数据相对应的约束条件的数据确定为错误数据。
在一可选实施例中,可以预先设置各时序数据对应的约束条件,通过约束条件判断时序数据的准确性。示例性地,可以分别为各时序数据设定数据值范围,将时序数据中不位于相应的数据值范围内的数据确定为错误数据。
最后,根据各时序数据中的错误数据的数据量计算各时序数据的错误率,将错误率小于第二预设值的时序数据确定为训练时序数据。示例性地,可以将错误率大于或等于20%的时序数据删除,将错误率小于20%的时序数据确定为训练时序数据。
上述两个实施例中提供了两种方式确定训练时序数据:一、根据数据缺失率对时序数据进行筛选,从而确定训练时序数据;二、根据和错误率对时序数据进行筛选,从而确定训练时序数据,在实际应用中,可以根据实际需求采用其中一种方式确定训练时序数据,也可以将两种方式相结合,共同确定训练时序数据。
在一可选实施例中,在对采集的数据进行初步筛选后,还需要对训练时序数据各维度数据的单位和量纲进行标准化,标准化需要计算特征的均值和标准差,公式表达为:
Figure BDA0003245828240000181
其中,x表示训练时序数据中的原始数据,
Figure BDA0003245828240000182
表示训练时序数据中的数据均值,S表示训练时序数据中的原始数据的标准差。
在一可选实施例中,在上述步骤S10之后,步骤S20之前,还包括:
首先,分别根据各训练时序数据建立与各训练时序数据对应的回归方程。
其次,通过与各训练时序数据对应的回归方程填充各训练时序数据中的空值,形成完整的训练时序数据。
由于采集到的训练时序数据中可能存在空缺,通过执行本发明实施例填补训练时序数据中的空缺,形成完整的训练时序数据,利用完整的训练时序数据训练得到的多维时序数据异常检测模型对时序数据的异常检测更准确。
在一可选实施例中,在对上述实施例中提供的多维时序数据异常检测模型训练方法训练得到的多维时序数据异常检测模型进行检测时,可以执行如下步骤:
首先获取检测时序数据:由于原始的时序数据并不带有人类专家的异常标签,本发明实施例中为了规避这个问题,选择在真实数据中注入合成异常以形成检测时序数据。为了模拟这种情况,在一可选实施例中,可以设计在每个时间步长有20%的概率修改时间序列。
然后执行上述步骤S11-步骤S14对检测时序数据进行预处理,得到时序相关图,将时序相关图输入到由上述实施例训练得到的多维时序数据异常检测模型中,得到异常检测结果。示例性地,如图6所示为捕获相关性改变检测异常示意图。
当通过多维时序数据异常检测模型得到的异常检测结果准确率高于一定值时,则可以将此时的多维时序数据异常检测模型用于对时序数据的检测。
本发明实施例还提供了一种多维时序数据异常检测方法,如图7所示,包括:
步骤S21:获取目标对象在预设时间段内各维度的待检测时序数据,详细内容参见上述步骤S11中的描述,在此不再赘述。
步骤S22:分别提取各维度的待检测时序数据的特征,详细内容参见上述步骤S12中的描述,在此不再赘述。
步骤S23:分别计算两两组合的待检测时序数据的特征之间的相关性,详细内容参见上述步骤S13中的描述,在此不再赘述。
步骤S24:根据各维度的待检测时序数据的特征和两两组合的待检测时序数据的特征之间的相关性建立时序相关图,详细内容参见上述步骤S14中的描述,在此不再赘述。
步骤S25:将时序相关图输入多维时序数据异常检测模型,得到待检测时序数据的异常检测结果,多维时序数据异常检测模型通过上述任一实施例中提供的多维时序数据异常检测模型训练方法训练得到。
本发明实施例提供的多维时序数据异常检测方法,在获取到目标对象多个维度的待检测时序数据后,提取了各待检测时序数据各自的特征,并计算了待检测时序数据的特征之间的相关性,根据各检测时序数据的特征和各检测时序数据的特征之间的相关性形成时序相关图后,将时序相关图输入到多维时序数据异常检测模型中,得到待检测时序数据的异常检测结果。由于在一般情况下,同一目标对象的在不同纬度的时序数据之间的相关性相对稳定,当异常出现时,相关性会发生突变,因此,将各待检测时序数据的特征以及各待检测时序数据的特征之间的相关性得到的时序相关图输入到多维时序数据异常检测模型中,能够得到更准确的检测结果。并且,对待检测时序数据进行异常检测时所使用的模型是由本发明提供的多维时序数据异常检测模型训练方法训练得到的,更进一步提高了检测结果的准确性。
在一可选实施例中,为了验证上述实施例中提供的多维时序数据异常检测模型训练方法训练得到的多维时序数据异常检测模型得到的多维时序数据的检测结果更准确,本发明实施例提供了一个具体示例对由上述实施例训练得到的多维时序数据异常检测模型进行检测:
本发明实施例中采用一个电厂的某型号引风机连续工作三个月所产生的数据作为数据集。使用的该引风机配备有62个传感器,分别用来检测该设备的腔内气温、轴温以及绕组线圈电流等指标。
传感器每8秒记录一次数据,一共记录了62列数据。首先将列数据通过预处理剔除掉一些无效数据,然后将得到的26列将近52万个时间点上的数据作为最终数据进行实验。其中80%数据用于训练阶段,20%数据用于检测阶段。
对照实验采用目前常用的异常检测方法孤立森林(Isolation Forest)作为对照方法,通过执行上述实施例提供的多维时序数据异常检测模型训练方法训练得到的多维时序数据异常检测模型与孤立森林的对比结果如下表所示,实验表明,本发明提出的方法在多个指标上面优于基准方法。
表1实验结果
实验\性能 TPR FPR F1 AUC
孤立森林 0.62 0.00 0.78 0.81
多维时序数据异常检测模型 0.72 0.06 0.81 0.85
本发明实施例还提供了一种多维时序数据异常检测模型训练装置,如图8所示,包括:
训练数据获取模块11,用于获取目标对象在预设时间段内各维度的训练时序数据,详细内容参见上述实施例中对步骤S11的描述,在此不再赘述。
训练特征计算模块12,用于分别提取各维度的训练时序数据的特征,详细内容参见上述实施例中对步骤S12的描述,在此不再赘述。
训练特征相关性计算模块13,用于分别计算两两组合的训练时序数据的特征之间的相关性,详细内容参见上述实施例中对步骤S13的描述,在此不再赘述。
训练时序相关图转换模块14,用于根据各维度的训练时序数据的特征和两两组合的训练时序数据的特征之间的相关性建立时序相关图,详细内容参见上述实施例中对步骤S15的描述,在此不再赘述。
模型训练模块15,用于将时序相关图输入图卷积网络,对图卷积网络进行训练,得到多维时序数据异常检测模型,详细内容参见上述实施例中对步骤S15的描述,在此不再赘述。
本发明实施例提供的多维时序数据异常检测模型训练装置,在获取到目标对象多个维度的训练时序数据后,不仅提取了各训练时序数据各自的特征,还计算了训练时序数据的特征之间的相关性,根据各维度的训练时序数据的特征和两两组合的训练时序数据的特征之间的相关性建立时序相关图,利用时序相关图对图卷积网络进行训练得到多维时序数据异常检测模型,由于在一般情况下,同一目标对象的在不同纬度的时序数据之间的相关性相对稳定,当异常出现时,相关性会发生突变,因此,以各训练时序数据的特征以及各训练时序数据的特征之间的相关性对图卷积网络进行训练,能够以更小的代价、更简单地得到的多维时序数据异常检测模型,并且利用本发明训练得到的多维时序异常检测模型对多维的时序数据进行异常检测时,准确性更高。除此之外,在本发明提供的装置中,用于输入图卷积网络中对图卷积网络进行训练的是由训练时序数据的特征和各训练时序数据的特征之间的相关性得到的时序相关图,而不是原始的训练时序数据,通过时序相关图对图卷积网络进行训练时,数据规模较小,训练速度更快。
在一可选实施例中,在本发明实施例提供的多维时序数据异常检测模型训练装置中,训练时序相关图转换模块包括:
时序相关矩阵计算子模块,用于分别根据各种方式计算得到的两两组合的训练时序数据的特征之间的相关性建立不同的时序相关矩阵,详细内容参见上述实施例中的记载,在此不再赘述。
时序相关矩阵合并子模块,用于将所述不同的时序相关矩阵合并为多维矩阵数组,所述多维矩阵数组的维度与计算相关性所采用的计算方式的数量相同,详细内容参见上述实施例中的记载,在此不再赘述。
相关性向量计算子模块,用于根据所述多维矩阵数组确定两两组合的训练时序数据的特征之间的相关性向量,详细内容参见上述实施例中的记载,在此不再赘述。
时序相关图建立子模块,用于以各维度的训练时序数据的特征向量为节点,以两两组合的训练时序数据的特征之间的相关性向量作为连接各节点的边,建立所述时序相关图,详细内容参见上述实施例中的记载,在此不再赘述。
在一可选实施例中,在本发明实施例提供的多维时序数据异常检测模型训练装置中,训练数据获取模块包括:
时序数据获取子模块,用于获取目标对象在预设时间段内各维度的时序数据,详细内容参见上述实施例中的记载,在此不再赘述。
数据缺失率计算子模块,用于根据各时序数据对应的采集时间间隔以及各时序数据的数据量计算各时序数据的数据缺失率,详细内容参见上述实施例中的记载,在此不再赘述。
训练时序数据获取子模块,用于将数据缺失率小于第一预设值的时序数据确定为所述训练时序数据,详细内容参见上述实施例中的记载,在此不再赘述。
在一可选实施例中,在本发明实施例提供的多维时序数据异常检测模型训练装置中,训练数据获取模块包括:
时序数据获取子模块,用于获取目标对象在预设时间段内各维度的时序数据,详细内容参见上述实施例中的记载,在此不再赘述。
错误数据判断子模块,用于将各时序数据中不满足与各时序数据相对应的约束条件的数据确定为错误数据,详细内容参见上述实施例中的记载,在此不再赘述。
训练时序数据获取子模块,用于根据各时序数据中的错误数据的数据量计算各时序数据的错误率,将错误率小于第二预设值的时序数据确定为所述训练时序数据,详细内容参见上述实施例中的记载,在此不再赘述。
在一可选实施例中,本发明实施例提供的多维时序数据异常检测模型训练装置还包括:
回归方程建立模块,用于分别根据各训练时序数据建立与各训练时序数据对应的回归方程,详细内容参见上述实施例中的记载,在此不再赘述。
训练时序数据完善模块,用于通过与各训练时序数据对应的回归方程填充各训练时序数据中的空值,形成完整的训练时序数据,详细内容参见上述实施例中的记载,在此不再赘述。
本发明实施例提供了一种多维时序数据异常检测装置,如图9所示,包括:
时序数据获取模块21,用于获取目标对象在预设时间段内各维度的待检测时序数据,详细内容参见上述实施例中对步骤S21的描述,在此不再赘述。
特征提取模块22,用于分别提取各维度的待检测时序数据的特征,详细内容参见上述实施例中对步骤S22的描述,在此不再赘述。
特征相关性计算模块23,用于分别计算两两组合的待检测时序数据的特征之间的相关性,详细内容参见上述实施例中对步骤S23的描述,在此不再赘述。;
时序相关图转换模块24,用于根据各维度的待检测时序数据的特征和两两组合的待检测时序数据的特征之间的相关性建立时序相关图,详细内容参见上述实施例中对步骤S24的描述,在此不再赘述。
时序数据检测模块25,用于将时序相关图输入多维时序数据异常检测模型,得到待检测时序数据的异常检测结果,多维时序数据异常检测模型通过上述实施例中提供的多维时序数据异常检测模型训练方法训练得到,详细内容参见上述实施例中对步骤S25的描述,在此不再赘述。
本发明提供的多维时序数据异常检测装置,在获取到目标对象多个维度的待检测时序数据后,提取了各待检测时序数据各自的特征,并采用计算了待检测时序数据的特征之间的相关性,根据各检测时序数据的特征和各检测时序数据的特征之间的相关性形成时序相关图后,将时序相关图输入到多维时序数据异常检测模型中,得到待检测时序数据的异常检测结果。由于在一般情况下,同一目标对象的在不同纬度的时序数据之间的相关性相对稳定,当异常出现时,相关性会发生突变,因此,将各待检测时序数据的特征以及各待检测时序数据的特征之间的相关性得到的时序相关图输入到多维时序数据异常检测模型中,能够得到更准确的检测结果。并且,对待检测时序数据进行异常检测时所使用的模型是由上述实施例中提供的多维时序数据异常检测模型训练方法训练得到的,更进一步提高了检测结果的准确性。
本发明实施例提供了一种计算机设备,如图10所示,该计算机设备主要包括一个或多个处理器31以及存储器32,图10中以一个处理器31为例。
该计算机设备还可以包括:输入装置33和输出装置34。
处理器31、存储器32、输入装置33和输出装置34可以通过总线或者其他方式连接,图10中以通过总线连接为例。
处理器31可以为中央处理器(Central Processing Unit,CPU)。处理器31还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器32可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据多维时序数据异常检测模型训练装置,或,多维时序数据异常检测装置的使用所创建的数据等。此外,存储器32可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器32可选包括相对于处理器31远程设置的存储器,这些远程存储器可以通过网络连接至多维时序数据异常检测模型训练装置,或,多维时序数据异常检测装置。输入装置33可接收用户输入的计算请求(或其他数字或字符信息),以及产生与多维时序数据异常检测模型训练装置,或,多维时序数据异常检测装置有关的键信号输入。输出装置34可包括显示屏等显示设备,用以输出计算结果。
本发明实施例提供了一种计算机可读存储介质,该计算机可读存储介质存储计算机指令,计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的多维时序数据异常检测模型训练方法,或,多维时序数据异常检测方法。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (14)

1.一种多维时序数据异常检测模型训练方法,其特征在于,包括:
获取目标对象在预设时间段内各维度的训练时序数据;
分别提取各维度的训练时序数据的特征;
分别计算两两组合的训练时序数据的特征之间的相关性;
根据所述各维度的训练时序数据的特征和两两组合的训练时序数据的特征之间的相关性建立时序相关图;
将所述时序相关图输入图卷积网络,对所述图卷积网络进行训练,得到多维时序数据异常检测模型。
2.根据权利要求1所述的多维时序数据异常检测模型训练方法,其特征在于,根据所述各维度的训练时序数据的特征和两两组合的训练时序数据的特征之间的相关性建立时序相关图,包括:
分别根据各种方式计算得到的两两组合的训练时序数据的特征之间的相关性建立不同的时序相关矩阵;
将所述不同的时序相关矩阵合并为多维矩阵数组,所述多维矩阵数组的维度与计算相关性所采用的计算方式的数量相同;
根据所述多维矩阵数组确定两两组合的训练时序数据的特征之间的相关性向量;
以各维度的训练时序数据的特征向量为节点,以两两组合的训练时序数据的特征之间的相关性向量作为连接各节点的边,建立所述时序相关图。
3.根据权利要求1所述的多维时序数据异常检测模型训练方法,其特征在于,获取目标对象在预设时间段内各维度的训练时序数据的步骤,包括:
获取目标对象在预设时间段内各维度的时序数据;
根据各时序数据对应的采集时间间隔以及各时序数据的数据量计算各时序数据的数据缺失率;
将数据缺失率小于第一预设值的时序数据确定为所述训练时序数据。
4.根据权利要求1所述的多维时序数据异常检测模型训练方法,其特征在于,获取目标对象在预设时间段内各维度的训练时序数据的步骤,包括:
获取目标对象在预设时间段内各维度的时序数据;
将各时序数据中不满足与各时序数据相对应的约束条件的数据确定为错误数据;
根据各时序数据中的错误数据的数据量计算各时序数据的错误率,将错误率小于第二预设值的时序数据确定为所述训练时序数据。
5.根据权利要求1或3或4所述的多维时序数据异常检测模型训练方法,其特征在于,在获取目标对象在预设时间段内各维度的训练时序数据的步骤之后,分别提取各维度的训练时序数据的特征的步骤之前,还包括:
分别根据各训练时序数据建立与各训练时序数据对应的回归方程;
通过与各训练时序数据对应的回归方程填充各训练时序数据中的空值,形成完整的训练时序数据。
6.一种多维时序数据异常检测方法,其特征在于,包括:
获取目标对象在预设时间段内各维度的待检测时序数据;
分别提取各维度的待检测时序数据的特征;
分别计算两两组合的待检测时序数据的特征之间的相关性;
根据所述各维度的待检测时序数据的特征和两两组合的待检测时序数据的特征之间的相关性建立时序相关图;
将所述时序相关图输入多维时序数据异常检测模型,得到所述待检测时序数据的异常检测结果,所述多维时序数据异常检测模型通过权利要求1-5中任一项所述的多维时序数据异常检测模型训练方法训练得到。
7.一种多维时序数据异常检测模型训练装置,其特征在于,包括:
训练数据获取模块,用于获取目标对象在预设时间段内各维度的训练时序数据;
训练特征计算模块,用于分别提取各维度的训练时序数据的特征;
训练特征相关性计算模块,用于采分别计算两两组合的训练时序数据的特征之间的相关性;
训练时序相关图转换模块,用于根据所述各维度的训练时序数据的特征和两两组合的训练时序数据的特征之间的相关性建立时序相关图;
模型训练模块,用于将所述时序相关图输入图卷积网络,对所述图卷积网络进行训练,得到多维时序数据异常检测模型。
8.根据权利要求7所述的多维时序数据异常检测模型训练装置,其特征在于,训练时序相关图转换模块包括:
时序相关矩阵计算子模块,用于分别根据各种方式计算得到的两两组合的训练时序数据的特征之间的相关性建立不同的时序相关矩阵;
时序相关矩阵合并子模块,用于将所述不同的时序相关矩阵合并为多维矩阵数组,所述多维矩阵数组的维度与计算相关性所采用的计算方式的数量相同;
相关性向量计算子模块,用于根据所述多维矩阵数组确定两两组合的训练时序数据的特征之间的相关性向量;
时序相关图建立子模块,用于以各维度的训练时序数据的特征向量为节点,以两两组合的训练时序数据的特征之间的相关性向量作为连接各节点的边,建立所述时序相关图。
9.根据权利要求7所述的多维时序数据异常检测模型训练装置,其特征在于,训练数据获取模块包括:
时序数据获取子模块,用于获取目标对象在预设时间段内各维度的时序数据;
数据缺失率计算子模块,用于根据各时序数据对应的采集时间间隔以及各时序数据的数据量计算各时序数据的数据缺失率;
训练时序数据获取子模块,用于将数据缺失率小于第一预设值的时序数据确定为所述训练时序数据。
10.根据权利要求7所述的多维时序数据异常检测模型训练装置,其特征在于,训练数据获取模块包括:
时序数据获取子模块,用于获取目标对象在预设时间段内各维度的时序数据;
错误数据判断子模块,用于将各时序数据中不满足与各时序数据相对应的约束条件的数据确定为错误数据;
训练时序数据获取子模块,用于根据各时序数据中的错误数据的数据量计算各时序数据的错误率,将错误率小于第二预设值的时序数据确定为所述训练时序数据。
11.根据权利要求7或9或10所述的多维时序数据异常检测模型训练装置,其特征在于,还包括:
回归方程建立模块,用于分别根据各训练时序数据建立与各训练时序数据对应的回归方程;
训练时序数据完善模块,用于通过与各训练时序数据对应的回归方程填充各训练时序数据中的空值,形成完整的训练时序数据。
12.一种多维时序数据异常检测装置,其特征在于,包括:
时序数据获取模块,用于获取目标对象在预设时间段内各维度的待检测时序数据;
特征提取模块,用于分别提取各维度的待检测时序数据的特征;
特征相关性计算模块,用于分别计算两两组合的待检测时序数据的特征之间的相关性;
时序相关图转换模块,用于根据所述各维度的待检测时序数据的特征和两两组合的待检测时序数据的特征之间的相关性建立时序相关图;
时序数据检测模块,用于将所述时序相关图输入多维时序数据异常检测模型,得到所述待检测时序数据的异常检测结果,所述多维时序数据异常检测模型通过权利要求1-5中任一项所述的多维时序数据异常检测模型训练方法训练得到。
13.一种计算机设备,其特征在于,包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,从而执行如权利要求1-5中任一项所述的多维时序数据异常检测模型训练方法,或,如权利要求6所述的多维时序数据异常检测方法。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行如权利要求1-5中任一项所述的多维时序数据异常检测模型训练方法,或,如权利要求6所述的多维时序数据异常检测方法。
CN202111032307.6A 2021-09-03 2021-09-03 多维时序数据异常检测方法、模型训练方法及装置 Pending CN115757365A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111032307.6A CN115757365A (zh) 2021-09-03 2021-09-03 多维时序数据异常检测方法、模型训练方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111032307.6A CN115757365A (zh) 2021-09-03 2021-09-03 多维时序数据异常检测方法、模型训练方法及装置

Publications (1)

Publication Number Publication Date
CN115757365A true CN115757365A (zh) 2023-03-07

Family

ID=85332488

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111032307.6A Pending CN115757365A (zh) 2021-09-03 2021-09-03 多维时序数据异常检测方法、模型训练方法及装置

Country Status (1)

Country Link
CN (1) CN115757365A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116628472A (zh) * 2023-04-28 2023-08-22 哈尔滨工程大学 一种基于特征关联的辐射源个体信号图结构映射方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116628472A (zh) * 2023-04-28 2023-08-22 哈尔滨工程大学 一种基于特征关联的辐射源个体信号图结构映射方法

Similar Documents

Publication Publication Date Title
CN110929607B (zh) 一种城市建筑物施工进度的遥感识别方法和系统
CN110533631B (zh) 基于金字塔池化孪生网络的sar图像变化检测方法
CN114092832B (zh) 一种基于并联混合卷积网络的高分辨率遥感影像分类方法
WO2016101628A1 (zh) 一种数据建模中的数据处理方法及装置
CN110968069B (zh) 风力发电机组的故障预测方法、相应的装置及电子设备
CN112508105A (zh) 一种采油机故障检测与检索方法
WO2019026134A1 (ja) 情報処理装置および情報処理方法
CN115343676B (zh) 密封电子设备内部多余物定位技术的特征优化方法
CN112419202B (zh) 基于大数据及深度学习的野生动物图像自动识别系统
CN114818579B (zh) 基于一维卷积长短期记忆网络的模拟电路故障诊断方法
CN115204536A (zh) 楼宇设备故障预测方法、装置、设备及存储介质
CN112036249A (zh) 端对端行人检测及属性识别的方法、系统、介质及终端
CN113936214A (zh) 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法
CN115757365A (zh) 多维时序数据异常检测方法、模型训练方法及装置
CN114565833A (zh) 基于轮廓引导和结构注意的全卷积网络建筑物提取方法
CN116563649B (zh) 基于张量映射网络的高光谱图像轻量化分类方法及装置
CN116363536B (zh) 一种基于无人机巡查数据的电网基建设备缺陷归档方法
CN113110961A (zh) 设备异常检测方法、装置、计算机设备及可读存储介质
CN117093947A (zh) 一种发电柴油机运行异常监测方法及系统
CN116776245A (zh) 一种基于机器学习的三相逆变器设备故障诊断方法
CN116740586A (zh) 冰雹识别方法、装置、电子设备及计算机可读存储介质
CN116027158A (zh) 一种高压电缆局放故障预测方法及系统
CN115616408A (zh) 电池热管理数据处理方法及系统
CN111027771A (zh) 景区客流量预估方法、系统、装置及可存储介质
CN113780405B (zh) 基于深度神经网络的空调机参数回归优化方法

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