[发明专利]一种单变量时间序列变化点检测方法

说明书

本发明公开了一种单变量时间序列变化点检测方法，包括：选择目标序列和相关输入序列，并输入时间序列预测模块，预测目标序列，并评估预测性能；将目标序列预测值、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，确定阈值范围，并选择最佳阈值L；基于异常分数、最佳阈值L，根据变化点选择策略识别变化点，输出检测出的变化点位置集合；根据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，基于评估指标评估检测性能，实现单变量时间序列变化点检测。本发明可以在长时间序列检测中减少误差累积，同时有效处理多个相关序列，实现输入特征的提取及融合，提高检测准确性和模型性能。

技术领域

本发明涉及计算机时间序列分析的技术领域，尤其涉及一种单变量时间序列变化点检测方法。

背景技术

时间序列变化点检测是时间序列分析领域的重要子课题，也是典型时间序列异常检测问题，变化点是时间序列的状态或属性发生突变的时刻，提高变化点检测的精度和效率对提高社会多方面的运行效率具有重要的现实意义。例如：在电力故障分析中，可以挖掘电力负荷随时间的变化规律和趋势，以便发现潜在的突变或故障、及早采取相应的预防措施，从而减少时间和经济方面的损失。

综合考虑变化点检测的准确性、稳定性和效率等方面的指标，当前对于单变量时间序列变化点检测问题，采用基于深度学习的预测方法是最合适的选择。通过深度学习模型预测目标序列，根据目标序列预测值和实际值之差进行判断、检测变化点，但是，由于时间序列数据时间跨度长、数据量大，直接应用传统方法会导致误差累积，性能表现不佳，若根据周期性对时间序列进行划分，不仅一定程度上可以缩短输入序列的长度、减小误差累积的影响，而且使得输入序列的规律性更强、更有利于模型的学习和特征提取，但是也带来了多个相关子序列的问题，现有方法无法有效地并行处理多个输入序列，会对最终结果的准确性造成影响。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：传统方法会导致误差累积，性能表现不佳，现有方法无法有效地并行处理多个输入序列，会对最终结果的准确性造成影响。

为解决上述技术问题，本发明提供如下技术方案：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。

作为本发明所述的单变量时间序列变化点检测方法的一种优选方案，其中：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。

作为本发明所述的单变量时间序列变化点检测方法的一种优选方案，其中：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。

作为本发明所述的单变量时间序列变化点检测方法的一种优选方案，其中：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：