CN116485041B - 一种燃气数据的异常检测方法及装置 - Google Patents

Abstract

本申请提供的燃气数据的异常检测方法及装置，通过获取待检测燃气数据，并将燃气数据构建为时空特征矩阵，时空特征矩阵可以提高预测燃气数据异常的准确性，然后通过时空特征矩阵和预设预测评估模型，获取到该待检测燃气数据对应的预测结果，最后通过预测结果与预设预测结果之间的差值与自适应阈值，确定待检测燃气数据为异常数据，本申请通过时空特征矩阵和预设预测评估模型消除噪声和缺失值对预测结果的影响，从而可以获取到准确的预测结果，以此可以更加准确的判断待检测燃气数据异常的准确性。

Description

一种燃气数据的异常检测方法及装置

技术领域

本申请涉及燃气数据处理技术领域，具体涉及一种燃气数据的异常检测方法及装置。

背景技术

随着宏观经济增速回升和工业制造的稳步发展，燃气用量实现高速增长。在剧烈波动的国际形势下，勘探开采、管道气进口、基础设施建设等相关行业持续发力，发挥了保供稳价的积极作用，同时新一批重大技术装备和关键工具的自主研发进一步促进了城市燃气普及率上升与燃气用量市场需求增长，推动了我国燃气产业的高质量发展。燃气是重要的战略资源，主要供应于民用燃气用具和燃气工业炉，作为一种低成本高热值的的清洁燃料，已成为公众生活的必需品，例如，烹调、取暖、织物干燥和供应热水等，保证可靠供气与用气安全是城市燃气正确规划和运营的重要任务。

随着城市管网和燃气输配系统的不断建设，日常输配调度、气源调度、抢险与应急调度、超压控制等问题亟需优化，在每个决策过程中，异常检测是最主要的方法。异常检测燃气消耗量并调节供气压力，能够在服务社区居民的同时，保证管道压力不会太大，使燃气流量更加均匀、更加符合实际的需求，以保障整个管网的安全性、提高用户体验。此外，对燃气消耗做一定的研判，更好地拟合实际燃气的用量，准确地在燃气低峰期降低压力，高峰期升高压力，促进节约能源。

燃气用量异常检测方法一般都是建立在对历史数据序列分析的基础上,不同的是数据处理方式和应用特点。常用的燃气用量数据异常检测方法包括基于统计学的方法和基于机器学习的方法。基于统计学的方法包括3σ法、箱线图法等，这些方法可以有效地检测离群点，但是对于检测周期性异常和连续性异常效果较差。例如，在燃气用量数据中，存在着周期性的日/月/季节性高峰，这类数据可能被误判为异常值。基于机器学习的方法包括基于神经网络的方法、基于聚类的方法和基于异常检测的方法等。这些方法可以有效地检测周期性异常和连续性异常，但是对缺失值和噪声较为敏感。例如，在燃气用量数据中，若存在缺失值，则机器学习模型可能无法正确地检测异常；若存在噪声，则模型可能会将噪声误判为异常值。同时数据量较大时，训练模型所需时间和资源较多。对于燃气用量数据，由于数据量较大，训练模型可能需要较长的时间和较多的计算资源。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种燃气数据的异常检测方法及装置，解决了现有技术中因缺失值和噪声值的干扰无法准确确定燃气数据是否异常的问题。

根据本申请的一个方面，提供了一种燃气数据的异常检测方法，包括：

获取待检测燃气数据；其中，所述待检测燃气数据包括待检测住宅用户、待检测目标时间点以及所述待检测目标时间点对应的待检测目标燃气消耗量；

根据所述待检测住宅用户、所述待检测目标时间点以及所述待检测目标时间点对应的待检测目标燃气消耗量，构建待检测时空特征矩阵；

根据所述待检测时空特征矩阵和预设预测评估模型，获取预测结果；

若所述预测结果与预设预测结果之间的差值大于自适应阈值，则确定所述待检测燃气数据为异常数据。

在一实施例中，所述预测评估模型的建立方法包括：

获取多个燃气数据；

根据所述多个燃气数据，构建多个时空特征矩阵；

采用深层特征处理层对所述多个时空特征矩阵进行处理，以得到多个处理后的时空特征矩阵；

根据所述多个处理后的时空特征矩阵以及第一校准参数，获取多个第一校准权重；

根据所述多个第一校准权重以及第二校准参数，获取多个第二校准权重；

根据所述多个第二校准参数进行特征还原，以获取得到多个预测值；

根据所述多个预测值和所述多个燃气数据，构建所述预测评估模型。

在一实施例中，所述根据所述多个燃气数据，构建多个时空特征矩阵包括：

根据所述多个燃气数据，构建多个时空特征矩阵；其中，每个所述时空特征矩阵的公式为：，其中，N为住宅用户、P为目标时间点以及F是目标时间点上的目标燃气消耗量。

在一实施例中，所述采用深层特征处理层对所述多个时空特征矩阵进行处理，以得到多个处理后的时空特征矩阵包括：

采用深层特征处理层对所述多个时空特征矩阵进行处理，以得到多个处理后的时空特征矩阵；其中，每个所述处理后的时空特征矩阵的计算公式为：，其中，/>，标识递归运算的顺序，/>和/>是结构相同的卷积残差块，/>和/>是激活函数，，/>，/>是两个张量的乘积，/>为本层的输入。

在一实施例中，所述根据所述多个处理后的时空特征矩阵以及时间校准权重，获取多个第一校准权重包括：

根据所述多个处理后的时空特征矩阵以及第一校准参数，获取多个第一校准权重；其中，每个所述第一校准权重的计算公式为：，/>是动态时间卷积的输入，/>是卷积算子，核权重为/>,/>是激活函数,/>是时间校准权重。

在一实施例中，所述根据所述多个第一校准权重以及空间校准参数，获取多个第二校准权重包括：

根据所述多个第一校准权重以及空间校准参数，获取多个第二校准权重；其中，每个所述第二校准权重的计算公式为：，/>是/>的阶数，/>，/>是/>的参数；/>是先验矩阵，即预定义的空间结构，/>是通过随机初始化两个节点嵌入字典生成自适应邻接矩阵，/>是空间校准权重。在一实施例中，所述自适应阈值的计算方式为：

，其中，为损失函数，/>为所述预测值，Y为预设预测结果，/>为所述自适应阈值。

根据本申请的另一个方面，提供了一种燃气数据的异常检测装置，包括：

燃气数据获取模块，用于获取待检测燃气数据；其中，所述待检测燃气数据包括待检测住宅用户、待检测目标时间点以及所述待检测目标时间点对应的待检测目标燃气消耗量；

构建模块，用于根据所述待检测住宅用户、所述待检测目标时间点以及所述待检测目标时间点对应的待检测目标燃气消耗量，构建待检测时空特征矩阵；

结果获取模块，用于根据所述待检测时空特征矩阵和预设预测评估模型，获取预测结果；

确定模块，用于若所述预测结果与预设预测结果之间的差值大于自适应阈值，则确定所述燃气数据为异常数据。

根据本申请的另一个方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述任一所述的燃气数据的异常检测方法。

根据本申请的另一个方面，提供了一种电子设备，所述电子设备包括：

处理器；

用于存储所述处理器可执行指令的存储器；

所述处理器，用于执行上述任一所述的燃气数据的异常检测方法。

本申请提供的燃气数据的异常检测方法及装置，该方法包括：获取待检测燃气数据，其中，待检测燃气数据包括待检测住宅用户、待检测目标时间点以及待检测目标时间点对应的待检测目标燃气消耗量，根据待检测住宅用户、待检测目标时间点以及待检测目标时间点对应的待检测目标燃气消耗量，构建待检测时空特征矩阵，根据待检测时空特征矩阵和预设预测评估模型，获取预测结果，若预测结果与预设预测结果之间的差值大于自适应阈值，则确定待检测燃气数据为异常数据。通过获取待检测燃气数据，并将燃气数据构建为时空特征矩阵，时空特征矩阵可以提高预测燃气数据异常的准确性，然后通过时空特征矩阵和预设预测评估模型，获取到该待检测燃气数据对应的预测结果，最后通过预测结果与预设预测结果之间的差值与自适应阈值，确定待检测燃气数据为异常数据，本申请通过时空特征矩阵和预设预测评估模型消除噪声和缺失值对预测结果的影响，从而可以获取到准确的预测结果，以此可以更加准确的判断待检测燃气数据异常的准确性。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1是本申请一示例性实施例提供的燃气数据的异常检测方法的流程示意图。

图2是本申请一示例性实施例提供的燃气数据的异常检测装置的结构示意图。

图3是本申请另一示例实施例提供的燃气数据的异常检测装置的结构示意图。

图4是本申请一示例性实施例提供的电子设备的结构图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

图1是本申请一示例性实施例提供的燃气数据的异常检测方法的流程示意图。如图1所示，燃气数据的异常检测方法包括：

步骤110：获取待检测燃气数据，其中，待检测燃气数据包括待检测住宅用户、待检测目标时间点以及待检测目标时间点对应的待检测目标燃气消耗量。

在本申请实施例中，可以通过燃气用户网络获取待检测燃气数据，燃气用户网络是一种描述用户之间关系的复杂网络结构，由节点和边构成。其中节点代表不同的燃气用户，边则表示这些用户之间的相互联系和作用。根据边的特性，燃气用户网络可分为有向网络和无向网络两种类型。有向网络中的边具有方向性，代表用户之间的单向关系；而无向网络中的边则没有方向性，反映了用户之间的双向关系。本申请中的燃气用量数据可以通过燃气传感器采集。

步骤120：根据待检测住宅用户、待检测目标时间点以及待检测目标时间点对应的待检测目标燃气消耗量，构建待检测时空特征矩阵。

在本申请实施例中，时空特征矩阵是一种燃气用量数据预测的特殊特征矩阵，其结构由时间、空间和特征属性三个维度构成。时间维度表示时间序列数据，如日常燃气用量；空间维度表示空间数据，如不同区域的居民用气量；而特征属性则表示其他信息，例如温度、人口等。时空特征矩阵能够有效地表示各种类型的时空数据，包括时空序列图像、时空遥感数据和时空动态网络等。

燃气用量数据被视为一个有向图结构，其中节点表示燃气用户，边表示燃气使用情况用户之间用气量是否具有相似性，如两个用户是否都是商业用户。为了更好地利用这些数据，将燃气用量图结构数据中的节点和边以及时间信息整合在一起，形成了一个时空特征矩阵。该矩阵的特征维度表示每个节点所代表居民燃气用量的时间、地理位置、用量、用量单价、用量总额、客户信息等特征值。具体而言，该时空特征矩阵的每行对应一个时间或空间位置，每列对应该时间或空间位置上的某个特征向量。这样将该时空特征矩阵作为输入，就可以对未来时间点的燃气用量进行预测。

步骤130：根据待检测时空特征矩阵和预设预测评估模型，获取预测结果。

在本申请实施例中，构建预测评估模型，通过预测评估模型获取待检测燃气数据对应的预测结果，通过预测结果以确定待检测燃气数据是否为异常数据。

步骤140：若预测结果与预设预测结果之间的差值大于自适应阈值，则确定待检测燃气数据为异常数据。

在本申请实施例中，通过预测结果与预测预测结果之间的差值，以确定待检测燃气数据为异常数据，预测结果与预设预测结果之间的差值计算方式包括：

1）均方误差（Mean Squared Error, MSE）表示观测值和真值之间差异（称为残差）的样本标准差，可以表明样本的离散程度。其公式表示如下：；

2）均方根误差（Root Mean Squared Error, RMSE）是观测值与其真值之间的偏差，一定程度上表明了数据的偏离程度。其公式表示如下：；

3）平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）用来比较各种时间序列模型异常检测的准确性。其公式表示如下：；其中，为预测结果，/>为预设预测结果。

本申请提供的燃气数据的异常检测方法，该方法包括：获取待检测燃气数据，其中，待检测燃气数据包括待检测住宅用户、待检测目标时间点以及待检测目标时间点对应的待检测目标燃气消耗量，根据待检测住宅用户、待检测目标时间点以及待检测目标时间点对应的待检测目标燃气消耗量，构建待检测时空特征矩阵，根据待检测时空特征矩阵和预设预测评估模型，获取预测结果，若预测结果与预设预测结果之间的差值大于自适应阈值，则确定待检测燃气数据为异常数据。通过获取待检测燃气数据，并将燃气数据构建为时空特征矩阵，时空特征矩阵可以提高预测燃气数据异常的准确性，然后通过时空特征矩阵和预设预测评估模型，获取到该待检测燃气数据对应的预测结果，最后通过预测结果与预设预测结果之间的差值与自适应阈值，确定待检测燃气数据为异常数据，本申请通过时空特征矩阵和预设预测评估模型消除噪声和缺失值对预测结果的影响，从而可以获取到准确的预测结果，以此可以更加准确的判断待检测燃气数据异常的准确性。

在一实施例中，燃气数据的异常检测方法可具体实施为：获取多个燃气数据；根据多个燃气数据，构建多个时空特征矩阵；采用深层特征处理层对多个时空特征矩阵进行处理，以得到多个处理后的时空特征矩阵；根据多个处理后的时空特征矩阵以及第一校准参数，获取多个第一校准权重；根据多个第一校准权重以及第二校准参数，获取多个第二校准权重；根据多个第二校准参数进行特征还原，以获取得到多个预测值；根据多个预测值和多个燃气数据，构建预测评估模型。

在本申请实施例中，获取多个燃气数据，其中，每个燃气数据包括住宅用户、目标时间点以及目标时间点对应的目标燃气消耗量。根据住宅用户、目标时间点以及目标时间点对应的待检测目标燃气消耗量，构建时空特征矩阵，其公式为：，其中，F表示被测量的耗气量数据的不同特征或特征（目标时间点对应的待检测目标燃气消耗量）。例如，管道中气体的压力、一天中消耗气体的时间或消耗气体的频率等内容。N代表不同的居民用户（住宅用户），他们的耗气量数据记录在时空特征矩阵中。例如，一天24小时，其中，某居民用气时，管道压力、消耗时间、消耗频率等数据均被记录。P代表记录气体消耗数据的不同时间点（目标时间点）。P是为每个用户测量燃气用量的一系列日期或时间。

然后采用深层特征处理层对多个时空特征矩阵进行处理，以得到多个处理后的时空特征矩阵。深层特征处理层具有更强的信息过滤能力，选用激活函数的映射范围没有正数边界，因此可以避免在递归传递过程中出现的梯度消失，具有更强的感知视野视觉和更高阶时间信息的交互作用。采用深层特征处理层需要将前一层作为输入，并生成处理后数据的新矩阵/>作为输出。首先对输入数据/>应用两种不同的2D卷积运算。第一卷积运算/>用于计算一个“门”，该门控制允许输入数据中的多少信息传递到下一层。第二个卷积运算/>用于计算以某种方式转换输入数据的“过滤器”。然后使用两个不同的激活函数组合两个卷积运算的输出：sigmoid函数/>和双曲正切函数tanh。sigmoid函数应用于“门”卷积的输出，以产生一个介于0和1之间的值，该值控制允许输入数据中的多少信息通过。双曲正切函数应用于“过滤器”卷积的输出，以生成输入数据的转换版本。最后使用逐元素乘法（/>）组合这两个输出以产生最终输出/>，其公式为，其公式为

，其中，标识递归运算的顺序，/>和/>是结构相同的卷积残差块，和/>是激活函数，/>，/>，为本层的输入，/>是两个张量的 Hardmard 乘积，/>函数将输入值映射到区间上。/>函数的公式如下：/>；

其中，e是自然对数的底数，x是函数的输入。函数的图像是一条在原点对称的S形曲线，它的取值范围在/>之间，当x接近于正无穷大时，/>趋近于1,当x接近于负无穷大时，/>趋近于/>。

然后采用动态时间卷积方法获取多个第一校准权重，动态时间卷积将时间作为卷积通道并结合可学习的通道权重，捕捉时间上的因果关系。其中，校验生成函数是动态时间卷积的关键，它沿着燃气数据的通道维度，获取动态变化的信息，生成校准权重。为了学习燃气用量数据中时间维度的长期趋势和长期变化，本发明中，时空特征矩阵经过时间卷积动态融合时间特征时，卷积核乘以校准权重，得到动态卷积模块的输出。公式如下：，/>是动态时间卷积的输入，/>是卷积算子，核权重为/>，/>是激活函数，/>是时间校准权重。

动态时间卷积方法的基本原理包括：使用Down-up卷积网络用于多元时间序列数据分析和处理。它的基本思想是先用下凸卷积结构从原始数据中提取高层特征信息，再用上凸卷积结构将这些特征信息恢复为原始数据，并提高数据的空间分辨率。这样可以实现更精细的数据分析和处理1。

然后使用readout层读出时空特征矩阵的状态值，其中空间维度和时间维度的处理方式不同，是因为它们所代表的信息也不同。空间维度一般代表图像或空间数据中的特征，例如纹理、颜色、形状等。这些特征在图像或空间数据中是相对稳定的，所以通常只需要读出一个数23。而时间维度一般代表时间序列数据中的信息，例如动态变化、趋势等。这些信息在时间序列数据中是动态变化的，随着时间的推移而发生变化。因此，在这种情况下，需要对时间维度进行切分，并读出每一步的数据。

最后，将特征维度和时间维度融合后映射到预测时间维度，可以得到更多的信息，可以更好地描述时间序列数据中的信息，并实现时间序列预测。例如，在预测未来的燃气用量时，特征维度可能包括燃气的历史用量，而时间维度可能包括用量日期。在融合这两个维度之后，网络可以学习到燃气用量随着时间变化的规律。

当得到第一校准权重之后，通过动态图卷积层方法获取第二校准权重。在动态图卷积中，对时间维度添加权重的作用是用来调整不同时间步之间对输出的贡献大小。具体来说，每一个时间步的邻接矩阵都对应着一个权重，在卷积过程中，网络会对每一个时间步的邻接矩阵乘以对应的权重，然后将这些乘权重后的结果相加。这样，就可以调整不同时间步之间对输出的贡献大小。例如，如果某个时间步的权重较大，那么这个时间步对应的邻接矩阵就会对输出产生较大的贡献，反之，如果某个时间步的权重较小，那么这个时间步对应的邻接矩阵就会对输出产生较小的贡献。通过添加权重，网络可以根据不同时间步的重要性来调整输出，从而更好地捕捉图结构数据中的时间信息。动态图卷积的公式如下：，/>是/>的阶数，/>，/>是的参数；/>是先验矩阵，即预定义的空间结构，/>是通过随机初始化两个节点嵌入字典生成自适应邻接矩阵，/>是空间校准权重。

在特征提取之后，时空依赖信息被编码到特征 。特征还原模块负责将时空特征映射到预测输出。该模块器包括一个线性映射层和两个动态卷积层。线性映射层将输入的时间维度 P 转换到1，即将输入的时间维度信息编码到输出的时间特征维度H，其公式为：/>，其中，/>、/>表示两个全连接层运算，表示Sigmoid激活函数，/>表示线性变换运算，/>表示提取了包含时间与空间特征的隐藏状态向量（包含深层时间与空间特征的时空特征矩阵），是特征还原层的输入，/>表示燃气数据的预测值。

在一实施例中，燃气数据的异常检测方法可具体实施为：根据多个燃气数据，构建多个时空特征矩阵；其中，每个时空特征矩阵的公式为：，其中，N为住宅用户、P为目标时间点以及F是目标时间点上的目标燃气消耗量。

在一实施例中，燃气数据的异常检测方法可具体实施为：采用深层特征处理层对多个时空特征矩阵进行处理，以得到多个处理后的时空特征矩阵，其中，每个处理后的时空特征矩阵的计算公式为：，其中，，标识递归运算的顺序，/>和/>是结构相同的卷积残差块，/>和/>是激活函数，/>，，/>为本层的输入。

在本申请实施例中，采用深层特征处理层可以更好地处理变长序列数据，而门控机制来控制信息的流动，能够有效地避免梯度消失和爆炸问题。递归门控和卷积结合，能够更好地捕捉时间上的相关性，学习序列数据中的长期依赖性，提高了模型的泛化能力。

在一实施例中，燃气数据的异常检测方法可具体实施为：根据多个处理后的时空特征矩阵以及第一校准参数，获取多个第一校准权重；其中，每个第一校准权重的计算公式为：，/>是动态时间卷积的输入，/>是卷积算子，核权重为/>，/>是激活函数,/>是时间校准权重。

在本申请实施例中，通过上述公式可以更好地拟合高度复杂的燃气用量数据特征。动态时间卷积层对每一步卷积运算赋予不同的权重参数，使得整个特征提取过程在实际应用中变得更加灵活与贴近实际。同时，用动态卷积对时间与空间特征进行交互。

在一实施例中，燃气数据的异常检测方法可具体实施为：根据多个第一校准权重以及空间校准参数，获取多个第二校准权重；其中，每个第二校准权重的计算公式为：，/>是/>的阶数，/>，/>是的参数；/>是先验矩阵，即预定义的空间结构，/>是通过随机初始化两个节点嵌入字典生成自适应邻接矩阵，/>是空间校准权重。

在本申请实施例中，通过邻接矩阵中不同的时间权重来模拟时间上的变化，更好地利用时间信息，来捕捉动态图数据的变化规律。支持多种不同的邻接矩阵更新权重，能够适应不同的数据，高效地学习动态图数据的复杂性。

在一实施例中，燃气数据的异常检测方法可具体实施为：根据多个第二校准参数进行特征还原，以获取得到多个预测值；其中，每个预测值的计算公式为，其中，/>、/>表示两个全连接层运算，/>表示Sigmoid激活函数，/>表示线性变换运算，/>表示提取了包含时间与空间特征的隐藏状态向量（包含深层时间与空间特征的时空特征矩阵），是特征还原层的输入，/>表示燃气数据的预测值。

在一实施例中，自适应阈值的计算方式为：

，其中，为损失函数，/>为预测值，Y为预设预测结果，/>为自适应阈值。

在本申请实施例中，通过Huber损失计算得到预设预测结果。Huber损失对异常值的敏感性较低，即预测评估模型不受到数据中极值的影响，可以提高预测的准确性。通过损失函数计算训练集中每个数据点的损失，然后绘制这些损失的分布，通过分析这些分布，可以确定识别异常的合适阈值。例如，选择一个高于“噪声水平”的阈值，这样就不会触发误报，即意味着任何计算损失超过此阈值的数据点将被视为异常。

当预测值与真实值之间的误差小于等于时，损失函数表现为平方误差；当误差大于/>时，损失函数表现为线性误差。通过调整/>的值，可以平衡损失函数对异常值的敏感性。Huber损失函数结合了均方误差和绝对值误差的特点，通过引入阈值 ，可以平衡损失函数对异常值的敏感性。

使用Huber损失进行异常检测，需要确定两个阈值：第一个阈值是Huber损失函数中的，用于平衡损失函数中的平方误差和线性误差；第二个阈值用于判断预测误差是否足够大以将某个观测值视为异常值。以下是确定这两个阈值的方法：

1. 利用交叉验证确定Huber损失的值：将数据集分为训练集和多个验证集。针对不同的/>值候选，使用训练集对模型进行训练，并在验证集上评估模型性能，选择在验证集上表现最佳的/>值；

2. 使用已确定的最佳值继续训练模型；

3. 计算训练集上的预测误差：利用最佳值的Huber损失函数计算每个观测值的预测误差；

4. 确定异常检测阈值：根据预测误差的分布选择一个合适的阈值。本发明选择第95个百分位数作为阈值。这意味着在所有训练集观测值中，有95%的观测值具有低于此阈值的Huber损失值，而另外5%的观测值具有高于此阈值的Huber损失值。然后，我们认为那些Huber损失值高于阈值的观测值是异常值。这是因为它们的预测误差相对较大，可能表示存在一些特殊情况或不符合普遍规律的数据点；

5. 在测试集或新数据上进行异常检测：利用训练好的模型计算测试集或新数据上的预测误差，并根据第4步确定的阈值判断观测值是否为异常值。

这种方法通过使用交叉验证来确定Huber损失函数中的值，并基于训练集预测误差的分布来确定异常检测阈值。这样可以在一定程度上减小过拟合的风险，并使模型具有较好的泛化能力。

在一实施例中，预测结果与预设预测结果之间的差值的计算方式为：，其中，/>为预测结果，/>为预设预测结果。

图2是本申请一示例性实施例提供的燃气数据的异常检测装置的结构示意图。如图2所示，燃气数据的异常检测装置20包括：燃气数据获取模块201，用于获取待检测燃气数据；其中，待检测燃气数据包括待检测住宅用户、待检测目标时间点以及待检测目标时间点对应的待检测目标燃气消耗量；构建模块202，用于根据待检测住宅用户、待检测目标时间点以及待检测目标时间点对应的待检测目标燃气消耗量，构建待检测时空特征矩阵；结果获取模块203，用于根据待检测时空特征矩阵和预设预测评估模型，获取预测结果；确定模块204，用于若预测结果与预设预测结果之间的差值大于自适应阈值，则确定燃气数据为异常数据。

本申请提供的燃气数据的异常检测装置，包括：通过燃气数据获取模块201获取待检测燃气数据，其中，待检测燃气数据包括待检测住宅用户、待检测目标时间点以及待检测目标时间点对应的待检测目标燃气消耗量，构建模块202根据待检测住宅用户、待检测目标时间点以及待检测目标时间点对应的待检测目标燃气消耗量，构建待检测时空特征矩阵，结果获取模块203根据待检测时空特征矩阵和预设预测评估模型，获取预测结果，确定模块204若预测结果与预设预测结果之间的差值大于自适应阈值，则确定待检测燃气数据为异常数据。通过获取待检测燃气数据，并将燃气数据构建为时空特征矩阵，时空特征矩阵可以提高预测燃气数据异常的准确性，然后通过时空特征矩阵和预设预测评估模型，获取到该待检测燃气数据对应的预测结果，最后通过预测结果与预设预测结果之间的差值与自适应阈值，确定待检测燃气数据为异常数据，本申请通过时空特征矩阵和预设预测评估模型消除噪声和缺失值对预测结果的影响，从而可以获取到准确的预测结果，以此可以更加准确的判断待检测燃气数据异常的准确性。

图3是本申请另一示例实施例提供的燃气数据的异常检测装置的结构示意图。如图3所示，预测评估模型的建立方法可具体配置为：获取多个燃气数据；根据多个燃气数据，构建多个时空特征矩阵；采用深层特征处理层对多个时空特征矩阵进行处理，以得到多个处理后的时空特征矩阵；根据多个处理后的时空特征矩阵以及第一校准参数，获取多个第一校准权重；根据多个第一校准权重以及第二校准参数，获取多个第二校准权重；根据多个第二校准参数进行特征还原，以获取得到多个预测值；根据多个预测值和多个燃气数据，构建预测评估模型。

在一实施例中，预测评估模型的建立方法可具体配置为：根据多个燃气数据，构建多个时空特征矩阵；其中，每个时空特征矩阵的公式为：，其中，N为住宅用户、P为目标时间点以及F是目标时间点上的目标燃气消耗量。

在一实施例中，预测评估模型的建立方法可具体配置为：采用深层特征处理层对多个时空特征矩阵进行处理，以得到多个处理后的时空特征矩阵；其中，每个处理后的时空特征矩阵的计算公式为：，其中，，标识递归运算的顺序，/>和/>是结构相同的卷积残差块，/>和/>是激活函数，/>，，/>为本层的输入。

在一实施例中，预测评估模型的建立方法可具体配置为：根据多个处理后的时空特征矩阵以及第一校准参数，获取多个第一校准权重；其中，每个第一校准权重的计算公式为：，/>是动态时间卷积的输入，/>是卷积算子，核权重为/>，/>是激活函数,/>是时间校准权重。

在一实施例中，预测评估模型的建立方法可具体配置为：根据多个第一校准权重以及空间校准参数，获取多个第二校准权重；其中，每个第二校准权重的计算公式为：，/>是/>的阶数，/>，/>是的参数；/>是先验矩阵，即预定义的空间结构，/>是通过随机初始化两个节点嵌入字典生成自适应邻接矩阵，/>是空间校准权重。

在一实施例中，预测评估模型的建立方法可具体配置为：根据多个第二校准参数进行特征还原，以获取得到多个预测值；其中，每个预测值的计算公式为其中，/>、/>表示两个全连接层运算，/>表示Sigmoid激活函数，/>表示线性变换运算，/>表示提取了包含时间与空间特征的隐藏状态向量（包含深层时间与空间特征的时空特征矩阵），是特征还原层的输入，/>表示燃气数据的预测值。

在一实施例中，所述自适应阈值的计算方式为：

，其中，为损失函数，/>为预测值，Y为预设预测结果，/>为自适应阈值。

在一实施例中，确定模块204可以包括确定子单元2041，用于，其中，/>为预测结果，/>为预设预测结果。

下面，参考图4来描述根据本申请实施例的电子设备。该电子设备可以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备，该单机设备可以与第一设备和第二设备进行通信，以从它们接收所采集到的输入信号。

图4图示了根据本申请实施例的电子设备的框图。

如图4所示，电子设备10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的燃气数据的异常检测方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。

在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。

例如，在该电子设备是单机设备时，该输入装置13可以是通信网络连接器，用于从第一设备和第二设备接收所采集的输入信号。

此外，该输入装置13还可以包括例如键盘、鼠标等等。

该输出装置14可以向外部输出各种信息，包括确定出的距离信息、方向信息等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图4中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的燃气数据的异常检测方法中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的燃气数据的异常检测方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、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。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。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (7)

1.一种燃气数据的异常检测方法，其特征在于，包括：

获取待检测燃气数据；其中，所述待检测燃气数据包括待检测住宅用户、待检测目标时间点以及所述待检测目标时间点对应的待检测目标燃气消耗量；

根据所述待检测住宅用户、所述待检测目标时间点以及所述待检测目标时间点对应的待检测目标燃气消耗量，构建待检测时空特征矩阵；

根据所述待检测时空特征矩阵和预设预测评估模型，获取预测结果；

若所述预测结果与预设预测结果之间的差值大于自适应阈值，则确定所述待检测燃气数据为异常数据；

所述预测评估模型的建立方法包括：

获取多个燃气数据；

根据所述多个燃气数据，构建多个时空特征矩阵；

采用深层特征处理层对所述多个时空特征矩阵进行处理，以得到多个处理后的时空特征矩阵；

根据所述多个处理后的时空特征矩阵以及第一校准参数，获取多个第一校准权重；

根据所述多个第一校准权重以及第二校准参数，获取多个第二校准权重；

根据所述多个第二校准参数进行特征还原，以获取得到多个预测值；

根据所述多个预测值和所述多个燃气数据，构建所述预测评估模型；

所述根据所述多个燃气数据，构建多个时空特征矩阵包括：

根据所述多个燃气数据，构建多个时空特征矩阵；其中，每个所述时空特征矩阵的公式为：，其中，N为住宅用户、P为目标时间点以及F是目标时间点上的目标燃气消耗量;

所述采用深层特征处理层对所述多个时空特征矩阵进行处理，以得到多个处理后的时空特征矩阵包括：

采用深层特征处理层对所述多个时空特征矩阵进行处理，以得到多个处理后的时空特征矩阵；其中，每个所述处理后的时空特征矩阵的计算公式为：，其中，/>，标识递归运算的顺序，/>和/>是结构相同的卷积残差块，/>和/>是激活函数，，/>，/>是两个张量的乘积，/>为本层的输入。

2.根据权利要求1所述的燃气数据的异常检测方法，其特征在于，所述根据所述多个处理后的时空特征矩阵以及时间校准权重，获取多个第一校准权重包括：根据所述多个处理后的时空特征矩阵以及第一校准参数，获取多个第一校准权重；其中，每个所述第一校准权重的计算公式为：，/>是动态时间卷积的输入，/>是卷积算子，核权重为/>，/>是激活函数,/>是时间校准权重。

3.根据权利要求2所述的燃气数据的异常检测方法，其特征在于，所述根据所述多个第一校准权重以及空间校准参数，获取多个第二校准权重包括：根据所述多个第一校准权重以及空间校准参数，获取多个第二校准权重；其中，每个所述第二校准权重的计算公式为：，/>是/>的阶数，/>，/>是/>的参数；/>是先验矩阵，即预定义的空间结构，/>是通过随机初始化两个节点嵌入字典生成自适应邻接矩阵，/>是空间校准权重。

4.根据权利要求3所述的燃气数据的异常检测方法，其特征在于，所述自适应阈值的计算方式为：，其中，为损失函数，/>为所述预测值，，Y为所述预设预测结果，/>为所述自适应阈值。

5.一种燃气数据的异常检测装置，其特征在于，包括：

燃气数据获取模块，用于：

预测评估模型的建立方法包括：

获取多个燃气数据；

根据所述多个燃气数据，构建多个时空特征矩阵；

采用深层特征处理层对所述多个时空特征矩阵进行处理，以得到多个处理后的时空特征矩阵；

根据所述多个处理后的时空特征矩阵以及第一校准参数，获取多个第一校准权重；

根据所述多个第一校准权重以及第二校准参数，获取多个第二校准权重；

根据所述多个第二校准参数进行特征还原，以获取得到多个预测值；

根据所述多个预测值和所述多个燃气数据，构建所述预测评估模型；

所述根据所述多个燃气数据，构建多个时空特征矩阵包括：

根据所述多个燃气数据，构建多个时空特征矩阵；其中，每个所述时空特征矩阵的公式为：,其中，N为住宅用户、P为目标时间点以及F是目标时间点上的目标燃气消耗量;

所述采用深层特征处理层对所述多个时空特征矩阵进行处理，以得到多个处理后的时空特征矩阵包括：

采用深层特征处理层对所述多个时空特征矩阵进行处理，以得到多个处理后的时空特征矩阵；其中，每个所述处理后的时空特征矩阵的计算公式为：，其中，/>，标识递归运算的顺序，/>和/>是结构相同的卷积残差块，/>和/>是激活函数，，/>，/>是两个张量的乘积，/>为本层的输入；

获取待检测燃气数据；其中，所述待检测燃气数据包括待检测住宅用户、待检测目标时间点以及所述待检测目标时间点对应的待检测目标燃气消耗量；

构建模块，用于根据所述待检测住宅用户、所述待检测目标时间点以及所述待检测目标时间点对应的待检测目标燃气消耗量，构建待检测时空特征矩阵；

结果获取模块，用于根据所述待检测时空特征矩阵和预设预测评估模型，获取预测结果；

确定模块，用于若所述预测结果与预设预测结果之间的差值大于自适应阈值，则确定所述燃气数据为异常数据。

6.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-4任一所述的燃气数据的异常检测方法。

7.一种电子设备，所述电子设备包括：

处理器；

用于存储所述处理器可执行指令的存储器；

所述处理器，用于执行上述权利要求1-4任一所述的燃气数据的异常检测方法。