[发明专利]一种多模式时间序列异常检测方法、存储介质和设备

说明书

本发明涉及一种多模式时间序列异常检测方法，包括根据历史时间序列，基于时间序列分割和子时间序列聚类模式构建多模式子时间序列聚类模型；基于子时间序列聚类模式初始化、分裂、组合、去除的方法迭代优化多模式子时间序列聚类模型，求解得到各子时间序列聚类模式；基于子时间序列聚类模式，对待检测时间序列提取各子时间序列进行异常检测。本发明可自适应地从时间序列中提取各种不同长度的子时间序列模式，避免了目前采用固定长度提取子时间序列带来的模式表达不足或模式表达存在干扰的情况，在此基础的时间序列异常检测精度更高。本发明还涉及一种存储介质和设备。

技术领域

本发明涉及数据分析技术领域，尤其涉及一种多模式时间序列异常检测方法、存储介质和设备。

背景技术

时间序列异常检测的应用范围非常广泛，例如工业中传感器采集的时间序列数据进行异常检测从而评估设备的性能，医学领域中对心跳时间序列进行异常检测判读病人病情，在经济领域中对股市时间序列进行异常检测确定股市状况。

一类时间序列异常检测方法采用基于预测的方法，其通过预测值与真实值之间的差异确定其是否异常，预测模型通常采用差分自回归移动平均模型(ARIMA模型)、、Kalman滤波、在线支持向量机等。对于该类方法，其模型建立在一定的假设基础上，例如Kalman滤波的方法需要时间序列满足随机过程假设,ARIMA模型需要时间序列满足差分平稳过程假设，限制了其应用范围。

另一类时间序列异常检测方法采用基于聚类的方法，将不属于各个聚类的子时间序列定义为异常。一些方法首先提取固定长度子时间序列，然后采用传统聚类方法进行聚类，如采用k-means，k-medoids，one-class SVM方法等，基于聚类进行异常检测，但提取的子时间序列并不能反映原时间序列中的固有模式。

因此，如何实现从时间序列中提取各种长度未知的子序列模式，从而据此进行异常检测是目前待解决的一个问题。

发明内容

本发明所要解决的技术问题是针对现有技术的不足，提供一种多模式时间序列异常检测方法、存储介质和设备。

本发明解决上述技术问题的技术方案如下：

一种多模式时间序列异常检测方法，包括：

S1、根据历史时间序列，基于时间序列分割和子时间序列聚类模式构建多模式子时间序列聚类模型目标函数；

S2、基于子时间序列聚类模式初始化、分裂、组合、去除的方法迭代优化多模式子时间序列聚类模型，求解得到各子时间序列聚类模式；

S3、对待检测时间序列，提取其中每一个子时间序列，根据每一个所述子时间序列与所述子时间序列聚类模型中每一个聚类模式中心的距离，确定所述子时间序列是否异常。

本发明的有益效果是：提出了一种自适应子时间序列聚类的方法，其可自适应地从时间序列中提取各种不同长度的子序列模式，避免了目前采用固定长度提取子时间序列带来的模式表达不足或模式表达存在干扰的情况，在此基础的时间序列异常检测精度更高；而且本发明在只假设子时间序列长度范围的基础上即可进行子时间序列聚类，而没有对时间序列附加其它模型假设，这使得在自适应子时间序列聚类基础上进行的异常检测的应用范围更广。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步地，所述步骤S1具体包括：

长度为T的时间序列X_1:T，基于预设的子时间序列模式的长度范围l_min和l_max，以及子时间序列模式个数k，多模式子时间序列聚类模型通过在满足如下条件下最小化关于子时间序列聚类模式C和子时间序列分割集合Z的目标函数实现：