[发明专利]一种对时间序列进行异常检测的方法、系统、设备及介质

说明书

本发明公开了一种对时间序列进行异常检测的方法、系统、设备及介质，方法包括：将时间序列输入到自编码器进行训练，并从训练好的自编码器中获取时间序列的抽象特征；将时间序列的抽象特征输入到KED模型，得到对应于时间序列的抽象特征的概率密度函数；将待检测数据输入到训练好的自编码器，得到待检测数据的抽象特征；将待检测数据的抽象特征输入到概率密度函数，得到待检测数据的密度值；根据阈值以及待检测数据对应的密度值判断待检测数据是否为异常数据。通过本发明的方案，在不需要提前对历史数据中的正常数据和异常数据进行标定的情况下，实现了对时间序列的异常检测。

技术领域

本发明涉及数据检测领域，尤其涉及一种对时间序列进行异常检测的方法、系统、设备及介质。

背景技术

时间序列是一类最常见的数据，目前时间序列分析重点研究的多是时间序列的预测。但针对有些问题，时间序列的形态比较也是一类重要的问题。例如：各种商品每日均价(或者股票的每日收盘价格)构成了时间序列，如何评价商品价格走势的一致性，就可以归结为时间序列形态聚类问题。

异常检测(Anomaly detection)是目前时序数据分析最常研究的方向之一，定义是从正常的时间序列中识别出不正常的事件或行为的过程。异常检测被广泛用于工业的很多领域，例如量化交易、网络安全检测、自动驾驶汽车和大型工业设备的日常维护。以在轨航天器为例，由于航天器昂贵且系统复杂，未能检测到危险可能会导致严重甚至无法弥补的损害。异常随时可能发展为严重故障，因此准确及时的异常检测可以提醒航天工程师尽早采取措施。

时间序列的异常检测问题通常表述为找到相对于某些标准或常规信号的异常数据点，这里通常有多种异常点类型，从业务的角度来看，我们只专注于最重要的，如：意外的峰值、意外的低谷与趋势突变。一般而言，很多异常可以通过人工的方式来判断。然而当业务组合复杂、时序规模变大后，依靠传统的人工和简单的同比环比等绝对值算法来判断就显得捉襟见肘了。因此，在面对各种各样的工业级场景时，系统地了解时间序列异常检测方法尤为重要。

基本上，异常检测算法分为两类。第一类使用分类算法，将每个时间点标记为异常/非异常，然后通过分类算法对每个时间点进行分类，缺点是需要对历史数据的异常/非异常进行人工标注，对人为的判断有明显的依赖；第二类使用预测算法，预测某个点的信号，然后测试该点实际值是否与预测值的差，然后观察其差是否足以将其视为异常，缺点是依赖于预算算法的准确度。

但是，不管是分类算法还是预测算法，都需要历史的异常数据作为样本进行模型训练。但是生活中大部分的数据是正常数据，有很少一部分属于异常数据，在没有异常数据的情况下如何检测训练模型进行异常检测是一个困难的问题。

发明内容

有鉴于此，本发明提出了一种对时间序列进行异常检测的方法、系统、设备及介质，利用Autoencoder(自编码器)对时间序列进行重构，在重构的过程中保证所有时间序列的特征空间的维度一致，然后将所有时间序列的特征空间的值作为KDE的输入，利用KDE对时间序列进行异常检测，属于无监督学习，不需要提前对正常数据和异常数据进行标定，在保留时间序列原始信息的情况下，减小了计算量以及噪声。

基于上述目的，本发明实施例的一方面提供了一种对时间序列进行异常检测方法，具体包括如下步骤：

将时间序列输入到自编码器进行训练，并从训练好的自编码器中获取所述时间序列的抽象特征；

将所述时间序列的抽象特征输入到KED模型，得到对应于所述时间序列的抽象特征的概率密度函数；

将待检测数据输入到训练好的自编码器，得到待检测数据的抽象特征；

将待检测数据的抽象特征输入到所述概率密度函数，得到待检测数据的密度值；

根据阈值以及所述待检测数据对应的密度值判断所述待检测数据是否为异常数据。