[发明专利]一种智能关联的自适应数据分析方法及装置

权利要求书

1.一种智能关联的自适应数据分析方法，其特征在于，所述方法包括：

处理初始高维时间序列得到时序数据，构建每条时序数据相对于与其他时序数据的关联性向量，基于关联性向量构造时间序列关系图模型；

对于每一条时序数据关联性向量进行动态异常监测，基于监测结果对关联性向量进行更新；

根据关联性向量的更新结果判断是否需要更新关系图模型，如果需要则执行更新关系图模型的操作；

基于更新后的关系图模型响应包括聚类和关联时序数据在内的用户查询请求，给出查询结果；

其中，所述构建每条时序数据相对于与其他时序数据的关联性向量，包括：

进行限制Dynamic Time Warping方法中可行路径的优化；

使用优化以后的Dynamic Time Warping方法对一维时序数据之间的关联性进行两两之间的求解，得到全局关联性矩阵Dist，对于所有一维的时序数据得到了关联性向量；

所述对于每一条时序数据关联性向量进行动态异常监测，包括：

对时序数据中的极端数据点进行更新；

基于更新结果计算广义帕累托分布的参数估计值；

将得到的参数估计值与异常阈值进行对比，基于对比结果判定是否存在异常。

2.根据权利要求1所述的一种智能关联的自适应数据分析方法，其特征在于，所述方法还包括：

对得到的时序数据进行预处理操作，基于预处理结果进行关联性向量计算。

3.根据权利要求2所述的一种智能关联的自适应数据分析方法，其特征在于，所述对得到的时序数据进行预处理的操作，包括：

异常监测模型的构造和动态标准化处理。

4.根据权利要求1所述的一种智能关联的自适应数据分析方法，其特征在于，所述基于监测结果对关联性向量进行更新包括：

获取当前关联向量和局部关联向量，计算二者的差值；

结合当前关联向量、关联向量更新幅度以及控制更新速度参数进行全局向量更新。

5.一种智能关联的自适应数据分析装置，其特征在于，所述装置包括：

模型构建单元，用于处理初始高维时间序列得到时序数据，构建每条时序数据相对于与其他时序数据的关联性向量，基于关联性向量构造时间序列关系图模型；

向量更新单元，用于对于每一条时序数据关联性向量进行动态异常监测，基于监测结果对关联性向量进行更新；

更新判断单元，用于根据关联性向量的更新结果判断是否需要更新关系图模型，如果需要则执行更新关系图模型的操作；

结果查询单元，用于基于更新后的关系图模型响应包括聚类和关联时序数据在内的用户查询请求，给出查询结果；

其中，所述构建每条时序数据相对于与其他时序数据的关联性向量，包括：

进行限制Dynamic Time Warping方法中可行路径的优化；

使用优化以后的Dynamic Time Warping方法对一维时序数据之间的关联性进行两两之间的求解，得到全局关联性矩阵Dist，对于所有一维的时序数据得到了关联性向量；

所述向量更新单元，包括：

数据点更新子单元，用于对时序数据中的极端数据点进行更新；

参数估计子单元，用于基于更新结果计算广义帕累托分布的参数估计值；

结果判断子单元，用于将得到的参数估计值与异常阈值进行对比，基于对比结果判定是否存在异常。

6.根据权利要求5所述的一种智能关联的自适应数据分析装置，其特征在于，所述装置还包括：

向量计算单元，用于对得到的时序数据进行预处理操作，基于预处理结果进行关联向量计算。

7.根据权利要求6所述的一种智能关联的自适应数据分析装置，其特征在于，所述向量计算单元，还用于：

异常监测模型的构造和动态标准化处理。

8.根据权利要求5所述的一种智能关联的自适应数据分析装置，其特征在于，所述向量更新单元还包括：

差值计算子单元，用于获取当前关联向量和局部关联向量，计算二者的差值；

参数更新子单元，用于结合当前关联向量、关联向量更新幅度以及控制更新速度参数进行全局向量更新。