[发明专利]一种基于弱监督数据辅助的鲁棒事件检测方法及装置

说明书

一种基于弱监督数据辅助的鲁棒事件检测方法及装置，包括如下步骤：步骤S1、基于弱监督数据构建弱监督预测模型；步骤S2、在当前时刻进行数据采样，再通过马尔可夫模型计算该新样本点标签值的先验概率；步骤S3、根据弱监督预测模型构建当前时刻数据标签取值的似然函数；步骤S4、通过贝叶斯公式计算当前时刻数据标签取值的后验概率，并对标签取值进行判定。本发明通过引入少量弱监督辅助信息，利用对时间序列数据的在线式分析进行异常事件检测。

技术领域

本发明属于数据检测技术领域，具体涉及一种基于弱监督数据辅助的鲁棒事件检测方法及装置。

背景技术

基于时间序列数据的异常事件检测广泛应用于工业系统故障检测、基于医疗监测数据的重大疾病早期预警、基于物联网监测数据的交通流拥塞预测等诸多领域。现有的基于时间序列数据分析的异常事件检测方法包含两类，第一类方法中，异常事件检测问题被转化为监督式机器学习问题，再通过调用机器学习算法来实现异常事件检测，这类方法通常需要大量的训练数据才能保证预测结果的准确性，且其预测结果很难满足实时性需求。第二类方法通过对比当前时刻或当前时间窗内观测数据统计特性与上一时刻或时间窗内观测数据统计特性的差异，进行异常事件检测，这类方法完全不需要训练数据，但对噪声观测数据敏感，预测性能不稳定。

发明内容

本发明所要解决的技术问题是克服现有技术的不足，提供一种基于弱监督数据辅助的鲁棒事件检测方法及装置，通过引入少量弱监督辅助信息，利用对时间序列数据的在线式分析进行异常事件检测。

一种基于弱监督数据辅助的鲁棒事件检测方法及装置，包括如下步骤：

步骤S1、基于弱监督数据构建弱监督预测模型；

步骤S2、在当前时刻进行数据采样，再通过马尔可夫模型计算该新样本点标签值的先验概率；

步骤S3、根据弱监督预测模型构建当前时刻数据标签取值的似然函数；

步骤S4、通过贝叶斯公式计算当前时刻数据标签取值的后验概率，并对标签取值进行判定。

作为本发明的进一步技术方案，步骤S1中，弱监督数据包括特征和标签，标签的取值为1或0，1为异常事件，0为非异常事件。

进一步的，步骤S3中，弱监督预测模型对当前时刻采样点的标签信息进行预测，获取的预测值中包含与该预测对应的不确定性信息，并通过不确定性信息构建似然函数。

进一步的，步骤S4中，通过贝叶斯公式融合先验概率和似然函数值，保证当前采样数据标签取值判定结果满足贝叶斯最优准则。

进一步的，弱监督数据中数据标签为手动标定或已执行的异常事件检测算法的输出，弱监督数据中没有时间戳信息。

本发明还提供一种基于弱监督数据辅助的鲁棒事件检测装置，包括弱监督预测模型训练模块、新数据样本采用和标签值先验概率计算模块、新数据样本似然函数值计算模块和新数据样本标签取值后验概率计算模块；

弱监督预测模型训练模块，用于根据弱监督数据构建弱监督预测模型；

新数据样本采用和标签值先验概率计算模块，用于实时进行数据采样，再通过马尔可夫模型计算该新样本点标签值的先验概率；

新数据样本似然函数值计算模块，用于根据弱监督预测模型构建当前时刻数据标签取值的似然函数；

新数据样本标签取值后验概率计算模块，用于通过贝叶斯公式计算当前时刻数据标签取值的后验概率，并对标签取值进行判定。

本发明通过引入少量弱监督辅助信息，利用对时间序列数据的在线式分析进行异常事件检测，对基于时间序列数据的异常事件检测方法及相关技术的产业化应用具有很好地促进作用。

附图说明