[发明专利]基于时间序列的异常数据检测方法、装置、介质和设备

权利要求书

1.一种基于时间序列的异常数据检测方法，其特征在于，所述方法包括：

获取至少一个第一监测量的监测数据和第二监测量的监测数据，其中，所述第一监测量为监测对象的一个维度的环境量，所述第二监测量为监测对象的一个维度的物理量，所述第一监测量和所述第二监测量是监测对象的不同监测指标，所述第一监测量的监测数据和第二监测量的监测数据在时序上对应，且分别通过不同的传感器在监测对象正常运行时采集得到；

基于特定的时序数据预测模型和至少一个所述第一监测量的监测数据得到对所述第二监测量的正常数据的预测，其中，所述时序数据预测模型包括至少一个拟合所述第一监测量和所述第二监测量的监测数据的特征信息的核函数；

若所述第二监测量的监测数据与预测出的所述正常数据不对应，则确定所述第二监测量的监测数据为异常数据。

2.如权利要求1所述的方法，其中，所述时序数据预测模型基于所述至少一个第一监测量的历史监测数据和所述第二监测量的历史监测数据训练得到。

3.如权利要求1或2所述的方法，其中，所述时序数据预测模型采用多种核函数分别拟合所述数据的多个维度的特征信息。

4.如权利要求3所述的方法，其中，所述多种核函数包括径向基核函数、正弦平方核函数、常数核函数、白噪声核函数之中的至少两项。

5.如权利要求4所述的方法，其中，所述数据的多个维度的特征信息至少包括以下之二：

数据的趋势信息；

数据的周期信息；

数据的噪声。

6.如权利要求5所述的方法，其中，所述时序数据预测模型在拟合所述数据的趋势信息时，采用径向基核函数；

在拟合所述数据的周期信息时，采用正弦平方核函数；

在拟合所述数据的噪声时，采用白噪声核函数。

7.如权利要求4-6任一所述的方法，其中，所述时序数据预测模型为高斯过程回归模型。

8.如权利要求7所述的方法，其中，所述时序数据预测模型被设置为：

y=f(X)+Σ，且f(X)~GP[0，k(X，X’)] ，P(Σ)~N(Σ|0，σ_n²)；

其中，y为表示第二监测量的预测数据的变量，X为表示第一监测量的监测数据的变量，Σ表示噪声，k(X，X’)为核函数或多个核函数的组合，σ_n²为Σ的方差，n为X的维度。

9.如权利要求8所述的方法，其中，对所述第二监测量的预测至少包括预测值和预测区间。

10.如权利要求9所述的方法，其中，基于特定的时序数据预测模型和至少一个所述第一监测量的监测数据得到对所述第二监测量的预测值，具体包括：

将所述第一监测量的监测数据输入至所述时序数据预测模型，得到所述时序数据预测模型输出的所述第二监测量的预测分布，所述预测分布包含预测均值；

获取所述预测均值作为所述第二监测量的预测值。

11.如权利要求9所述的方法，其中，基于特定的时序数据预测模型和至少一个所述第一监测量的监测数据得到对所述第二监测量的预测区间，具体包括：

将所述第一监测量的监测数据输入至所述时序数据预测模型，得到所述时序数据预测模型输出的所述第二监测量的预测分布，所述预测分布包含预测均值与预测方差；

获取所述第二监测量的预设置信度；

根据所述预设置信度、预测均值以及预测方差确定所述第二监测量的预测区间。

12.如权利要求10或11所述的方法，其中，所述方法还包括：

统计预设时间段内第二监测量的异常数据总数；

若所述异常数据总数大于预设值，发送存在安全风险的提醒消息。