[发明专利]一种无类别标签的时间序列异常检测方法

说明书

技术领域

本发明涉及无类别标签的时间序列异常检测方法。

背景技术

通过对卫星遥测数据中的偏航姿态角进行分析，偏航姿态角的整体变化趋势如图2所示，其细节变化如图3所示，得出卫星遥测数据具有明显地周期性，且该特性已与卫星遥测数据提供单位进行了确认。通过对遥测数据的每个周期进行分析，可以得出卫星在该周期之内的运行状态是否正常，按照固定点对卫星遥测数据分段效果不理想的情况，如图4所示，各个分段序列之间的耦合度不够高，存在一定的偏差，随着时间的推进这种偏差会愈发明显。

目前卫星遥测数据各周期内的正常模式、异常模式、故障模式等均没有较为明确的可参考资料，因此分段后得到的时间序列没有所属类别标签，在此类无类别标签的时间序列基础之上实现离线和在线的异常检测目前没有可直接利用的异常检测方法框架。

对离线数据进行异常检测，一般采用聚类方法进行，并将聚类结果中成员极少类别视为异常类别，其中聚类方法中较为常用的聚类方法是层次聚类方法，但是该算法存在需要人工设定聚类数目的缺陷，若聚类数目设定不当将会使得聚类结果以及异常检测结果不够理想。

发明内容

本发明的目的是为了解决针对卫星遥测数据进行固定点分段效果不理想、层次聚类需要人工设定聚类数目以及目前尚无一种可直接利用的能够实现无类别标签时间序列的离线和在线的异常检测方法框架的问题，而提出了一种无类别标签的时间序列异常检测方法。

上述的发明目的是通过以下技术方案实现的：

步骤一、根据卫星遥测数据的周期特性对卫星遥测历史数据进行分段，得到无类别标签的时间序列X＝{x₁,x₂,…,x_n}，其中n为大于0的正整数，表示时间序列数目，x₁为无类别标签的时间序列中第一个时间序列，x₂为无类别标签的时间序列中第二个时间序列，x_n为无类别标签的时间序列中第n个时间序列；

步骤二、对步骤一得到的无类别标签的时间序列X＝{x₁,x₂,…,x_n}进行自适应层次聚类，并判定和删除无类别标签的时间序列中的异常序列，得到卫星正常运行模式含有类别标签的时间序列和类别标签其中n_z为大于0的正整数，表示正常时间序列数目，x'₁为含有类别标签的时间序列中第一个正常时间序列，x'₂为含有类别标签的时间序列中第二个正常时间序列，为含有类别标签的时间序列中第n_z个正常时间序列，l'₁为类别标签中第一个正常时间序列，l'₂为类别标签中第二个正常时间序列，为类别标签中第n_z个正常时间序列；

步骤三、结合匹配阈值以步骤二中获得的含有类别标签的时间序列和类别标签为样本，采用最近邻居算法对最新卫星遥测时间序列x”进行模式匹配，并根据模式匹配结果实现卫星遥测数据异常检测。

发明效果

异常检测是数据挖掘任务中的一项重要功能，本发明针对卫星运行过程中的遥测数据特点，首先，根据卫星遥测数据的周期特性对卫星遥测历史数据进行分段；然后，对分段后得到的无类别标签时间序列进行自适应层次聚类同时根据异常判定参数对其中的异常类别进行删除，得到卫星正常运行的类别模式；最后，结合匹配阈值采用最近邻居(1-Nearest Neighbor，1-NN)算法对最新卫星遥测数据进行模式匹配，并根据模式匹配结果实现卫星遥测数据异常检测。各部分的具体发明效果如下：

首先针对按照固定点对卫星遥测数据分段效果不理想的情况，如图4所示，提出了按照卫星遥测数据中的幅角突变点为标识进行分段的方法，其分段效果如图5所示，以幅角为标识进行分段的分段结果更为紧凑，各个分段序列之间的耦合度更高、更为合理。

其次，针对层次聚类需要人工设定聚类数目的问题，提出了一种以类间类内距离比值为评价标准的自适应层次聚类方法，使层次聚类算法能够自动确定最优类别数目，避免了由于人工设定聚类数目不当的情况导致的聚类结果以及异常检测结果不够理想的问题。