[发明专利]一种多维时间序列异常检测方法及检测系统

说明书

本发明提供了一种多维时间序列异常检测方法及检测系统，包括：将输入多维时间序列映射到低维空间的循环神经网络编码器；通过循环神经网络自编码器将采样得到的低维变量重构为多维时间序列；在自编码器模型构建过程中，编码器与解码器共享部分循环神经网络的神经单元；基于时间序列马尔科夫平滑假设的正则化方法对模型进行优化；基于重构时间序列概率分布对时间序列异常值进行计算。本发明提供的方法相较于传统的异常检测模型，具有更灵活的拟合能力与鲁棒性，具有更高的异常检测精确度，能同时检测短时突发异常和中长时间段异常。

技术领域

本发明涉及时间序列异常检测技术领域，具体地，涉及一种多维时间序列异常检测方法及检测系统。

背景技术

随着互联网技术和大数据技术的发展，越来越多的数据被采集并进行处理和分析，其中，时间序列数据是最广泛、重要的数据类型。时间序列数据，即带有时间戳标记的数据统计量，能够揭示环境的变化、设备的运行状态、金钱的流动等与人类生活密切相关的特征。时间序列的异常检测问题是一个非常重要而且具有挑战性的问题，在很多领域都具有重要的应用价值，例如智能交通，健康，指标监测，运维，网络入侵检测、环境监测等。在上述提到的多个领域中，数据的异常通常意味着各种应用领域中关键的可操作信息，例如，森林中异常的温湿度变化可能意味着潜在的森林火灾，计算机网络中异常的流量模式可能意味着计算机被黑客窃取，来自工业机器的异常设备状态可能意味着某些关键部位的故障。因此，准确与及时的对时间序列进行异常检测具有非常重要的价值。

对于矩阵X∈R^M×T，是一组时间序列数据，其中含有M条相关的时序数据流，T个观测时间节点。取决于可用的训练数据和异常标签类型，通常有三种方式对其中的异常进行检测：1)有监督。2)半监督。3)无监督。其中，对于没有异常值标签，也没有无异常干净数据的时间序列异常检测问题是最困难的。无监督异常检测不需要异常标签数据训练模型，也不需要专门采集无异常的干净数据，具有广泛的实用性。相比较有监督和半监督方法，无监督方法在异常模式漂移的场景下具有与更好的鲁棒性。

目前已有方法主要分为两类，判别模型和概率模型，其中判别模型的方法主要是在常见的时间序列模型优化过程中加入了时序平滑的惩罚项，来辅助模型在拟合和平滑之中权衡，从而拟合到正常的时间序列数据。但是这种方法没有考虑时间序列天然的随机性，在被异常值污染的时间序列下训练，性能会大幅下降。另一类是概率模型，主要代表模型是经典的隐马尔科夫模型和矩阵分解模型。然而，概率模型通常受到计算量的约束，通常以线性模型为主，难以拟合复杂且非线性的大量时间序列数据。虽然概率模型考虑到了观测时间序列的随机性，但是通常假设了观测时间序列具有时不变的加性噪声，这显然不符合真实时间序列的随机性规律，在时间序列数据噪声变化的情况下异常检测的准确率较低。

综上，现有的时间序列异常检测方法，并不能适用于复杂非线性实际时间序列数据的异常检测，目前没有发现同本发明类似技术的说明或报道，也尚未收集到国内外类似的资料。

发明内容

为了克服现有技术中存在的上述不足，本发明提供了一种多维时间序列异常检测方法及检测系统，该检测方法及检测系统基于变分贝叶斯自编码器，针对复杂的多维时间序列数据，无需干净的时间序列数据或者已知的异常标签数据，即可鲁邦地检测其中的异常值和异常片段。本发明提供的多维时间序列异常检测方法及检测系统，能够系统性地解决时间序列异常检测的问题。

本发明是通过以下技术方案实现的。

根据本发明的一个方面，提供了一种多维时间序列异常检测方法，包括：

将观测时间结合时间序列数据的观测频率，生成时间序列特征；对于受到外部影响的时间序列，将生成的时间序列特征结合额外采集的外部影响数据，生成外部变量；将生成的外部变量进行标准化统一数据尺度，完成对时间序列数据的增强；