[发明专利]一种多变量时间序列变化点检测方法

权利要求书

1.一种多变量时间序列变化点检测方法，其特性在于，包括：

将原始多元时间序列数据集中目标序列的历史数据、相关变量、外部因素及目标序列真实值输入时间序列预测模块，预测目标序列，并输出目标序列预测值，利用评估指标评估预测性能；

将所述目标序列预测值、人工进行异常标记后的目标序列实际值输入变化点检测模块，计算每个点对应的异常分数；

基于所述异常分数，通过深度学习分类器—卷积神经网络进行分类并检测变化点，输出检测到的变化点位置集合；

根据检测出的变化点位置和实际目标序列中变化点的标签，输出变化点检测结果并可视化，根据评估指标评估检测性能，实现多变量时间序列变化点检测。

2.如权利要求1所述的多变量时间序列变化点检测方法，其特征在于：在所述时间序列预测模块采用多元融合注意力网络以预测目标序列包括，

编码阶段采用两个输入注意力分别处理目标序列的历史数据和相关变量，每个输入注意力之后结合LSTM，以自适应地选择相关序列、进行特征提取。

3.如权利要求2所述的多变量时间序列变化点检测方法，其特征在于：对于所述历史数据，计算注意力权重包括，

其中，表示矩阵,ω_e,表示向量，p表示编码器隐藏状态大小，均属于要学习的参数。

4.如权利要求2所述的多变量时间序列变化点检测方法，其特征在于：对于所述相关变量，计算注意力权重包括，

其中，表示矩阵,ω_g,表示向量，均属于要学习的参数。

5.如权利要求3或4所述的多变量时间序列变化点检测方法，其特征在于：基于所述注意力权重，计算时间步长t处的Iuput Attn 1的输出向量包括，

Iuput Attn 2的输出向量为：

6.如权利要求5所述的多变量时间序列变化点检测方法，其特征在于：采用基于门控残差网络的门控机制将学习到的外部因素特征融合到所述多级注意力网络中，包括，

利用所述门控残差网络接收所述Input attn 2的输出和外部因素融合组件的输出ex_t：

η₁＝W₁η₂+b₁

其中，ELU表示数线性单位激活函数，η₁,表示中间层，LayerNorm表示标准层归一化；

基于门控线性单元的组件门控层来提供灵活性，包括：

其中，σ(.)表示Sigmoid激活函数，分别表示权重和偏差，⊙表示逐元素乘法。

7.如权利要求2所述的多变量时间序列变化点检测方法，其特征在于：在所述时间序列预测模块采用多元融合注意力网络以预测目标序列还包括，

在解码阶段，通过多头注意力机制捕获长期时间依赖性：

利用所述多头注意力机制的分类模型接收生成的输出向量，将其分组为单个矩阵，记作Θ_t＝[θ_t-m,…,θ_t+τ]^T；

所述多头注意力机制根据K和Q之间的关系来缩放V：

定义得：

其中，h表示头的个数，表示Q和K对于头的特定权重，表示在所有头之间共享的值权重，用于最终线性映射。

8.如权利要求6所述的多变量时间序列变化点检测方法，其特征在于：所述外部因素特征的学习包括，

通过外部因素融合组件，学习外部因素特征；所述外部因素包括：

分类因素：通过实体嵌入策略将每个分类属性转换为低维实向量；

连续因素：采用线性变换将其转换为低维向量；

将获得的两类向量串联作为所述外部因素融合组件的输出，记作ex_t。

9.如权利要求8所述的多变量时间序列变化点检测方法，其特征在于：所述异常分数的计算包括，

计算目标序列实际值与预测值之差：

其中，y_t表示实际值，表示预测值，e_t的绝对值表示异常分数，记作l_t。