[发明专利]一种数据异常点检测方法、装置、系统、以及存储介质

说明书

本发明提供一种数据异常点检测方法，包括以下步骤：对待检测数据进行预处理；对预处理后的待检测数据进行拆分，得到训练样本集和测试样本集；将所述训练样本集输入选定的预测算法进行迭代训练，得到训练后的算法模型；将所述测试样本集输入训练后的算法模型，得到所述测试样本集的预测初始值，对该预测初始值进行逆向运算得到预测正常值；将所述测试样本集和所述预测正常值输入至预先设定的多种异常定义中，分别使用所述多种异常定义进行异常点检测；将所述多种异常定义下检测到的异常点进行联合投票，确定最终异常点。另外，本发明还提供一种数据异常点检测的装置、系统、以及存储介质。本发明可以提高数据异常点检测的准确性。

技术领域

本发明涉及数据检测技术领域，特别涉及一种数据异常点检测方法、装置、系统以及存储介质。

背景技术

随着商业航天产业的不断发展，在轨卫星的安全有效运行是技术关注的重点。通过技术手段及时的从卫星遥测时序数据（卫星遥测参数）中发现异常变化的数据点，能够提高卫星故障的主动检测与识别能力，可对卫星的安全稳定运行提供可靠的决策支持。现有技术中，对卫星遥测时序数据中异常点的检测通常采用先预测其“正常值”，再通过预测值与真实值之间的对比来实现异常点检测。然而，该类方法却存在预测算法单一、异常的定义单一以及流程不够灵活、检测结果不够准确的问题。

发明内容

鉴于此，本发明提供了一种数据异常点检测方法、装置、系统以及存储介质。

第一方面，本发明提供了一种数据异常点检测方法，所述方法包括以下步骤：

S1：接收待检测数据，并对该待检测数据进行预处理；

S2：根据选定的预测算法对预处理后的待检测数据进行拆分，得到训练样本集和测试样本集；

S3：将所述训练样本集输入选定的预测算法进行迭代训练，得到训练后的算法模型；

S4：将所述测试样本集输入训练后的算法模型，得到所述测试样本集的预测初始值，对该预测初始值进行所述预处理的逆向运算，得到所述测试样本集的预测正常值；

S5：将所述测试样本集和所述预测正常值输入至预先设定的多种异常定义中，分别使用所述多种异常定义进行异常点检测，并输出所述多种异常定义下检测到的异常点；及

S6：将所述多种异常定义下检测到的异常点进行联合投票，确定最终异常点。

优选地，所述步骤S1包括：

S1.1：进行程序的初始化设置；

S1.2：对接收的待检测数据进行剔除野点的操作；

S1.3：使用剔除点前后两个数据的均值对剔除位置进行填充，所述均值是指在待检测数据中，剔除点位置的前一个时间点处数值以及后一个时间点处数值的平均值；

S1.4：对填充后的待检测数据进行归一化处理，将其数值范围转换到0-1范围之内。

优选地，所述步骤S2包括：

S2.1：根据选定的预测算法对预处理后的待检测数据进行预测，生成该预测算法对应结构的数据样本集；

S2.2：对该数据样本集进行拆分，得到训练样本集和测试样本集。

优选地，所述步骤S2.1包括：

S2.1.1：设定预处理后的待检测数据长度为n，对应的输入时间序列的索引表达形式为x(0),x(1),...,x(n)；

S2.1.2：设定该预测算法对应的递归神经网络的输入时序长度以及输出时序长度分别为L_i和L_o，通过基于长度为L_i的历史时序数据预测未来长度为L_o的时序数据；