[发明专利]一种单变量时间序列变化点检测方法

权利要求书

1.一种单变量时间序列变化点检测方法，其特性在于，包括：

根据周期性，将原始数据集划分为N个子序列，根据检测对象选择目标序列，将其余N-1个子序列作为相关输入序列；

将所述相关输入序列及所述目标序列输入时间序列预测模块，预测目标序列，输出目标序列预测值并评估预测性能；

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；

根据高斯分布，通过均值μ和标准差σ确定阈值范围，以变化点检测策略的性能评估指标为依据，选择最佳阈值L；

基于所述异常分数、所述最佳阈值L，根据变化点选择算法识别变化点，输出检测出的变化点位置集合；

根据检测出的变化点位置集合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，及评估检测性能，实现单变量时间序列变化点检测。

2.如权利要求1所述的单变量时间序列变化点检测方法，其特征在于：基于深度学习的预测方法包括所述时间序列预测模块、所述变化点检测模块。

3.如权利要求1或2所述的单变量时间序列变化点检测方法，其特征在于：所述时间序列预测模块采用多级注意力网络结合多序列融合机制策略预测所述目标序列。

4.如权利要求3所述的单变量时间序列变化点检测方法，其特征在于：所述多级注意力网络结合多序列融合机制策略包括，

编码阶段：以LSTM为编码器，给定第k个输入序列：

通过所述编码器的先前隐藏状态h_t-1和单元状态s_t-1计算输入注意力权重，衡量在时间t处第k个输入特征的重要性，其计算公式如下：

其中，表示要学习的参数，p表示所述编码器的隐藏状态的大小，表示注意力权重。

5.如权利要求3所述的单变量时间序列变化点检测方法，其特征在于：所述多级注意力网络结合多序列融合机制策略还包括，

所述多序列融合：基于所述注意力权重，在每个未来时间步长通过所述注意力权重学习每个输入序列的相对重要性并进行融合，得到在时间t处新的输入：

6.如权利要求3所述的单变量时间序列变化点检测方法，其特征在于：还包括，

解码阶段：采用时间注意力机制；

基于解码器隐藏状态d_t-1和所述编码器单元状态s^′_t-1，计算时间t处注意力权重：

对所述注意力权重和所述编码器隐藏状态计算加权和，得到上下文向量c_t：

其中，ω_v,表示要学习的参数，q表示解码器隐藏状态的大小。

7.如权利要求6所述的单变量时间序列变化点检测方法，其特征在于：所述解码器隐藏状态的更新包括，

8.如权利要求1或7所述的单变量时间序列变化点检测方法，其特征在于：所述目标序列预测值包括，

其中，表示解码器隐藏状态和上下文向量的串联，参数和将串联映射到解码器隐藏状态的大小，权重为偏差为表示线性函数产生最终的预测结果。

9.如权利要求8所述的单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。

10.如权利要求1所述的单变量时间序列变化点检测方法，其特征在于：所述预测性能评估指标包括均方根误差、平均绝对误差、平均绝对百分比误差；

所述检测性能评估指标包括精确率、召回率、F1分数。