[发明专利]一种基于相似度的多元时间序列异常检测与诊断方法

权利要求书

1.一种基于相似度的多元时间序列异常检测与诊断方法，其特征在于，包括：

步骤S1，获取待测试的多元时间序列X＝{X₁，...，X_t，...，X_T}，X_t表示t时刻N维属性向量矩阵，T表示时间戳长度，1≤t≤T；

步骤S2，结合基本概率分配方法和谷本测量方法获取每个时刻的N维属性向量矩阵的相似度矩阵；

步骤S3，利用基于注意力机制的重构模型重构每个时刻的相似度矩阵，获得每个时刻的重构矩阵；

步骤S4，比较每个时刻的相似度矩阵和重构矩阵得到该时刻的相似误差矩阵，依次判断相似误差矩阵中每个元素是否异常，统计相似误差矩阵中异常元素数量并将所述异常元素数量作为对应时刻的异常分数；

步骤S5，判断每个时刻的异常分数是否达到第一阈值，若达到第一阈值则认为该时刻的N维属性向量矩阵异常，进一步根据该时刻的相似误差矩阵中异常元素分布确定异常属性。

2.如权利要求1所述的基于相似度的多元时间序列异常检测与诊断方法，其特征在于，在步骤S2中，获取t时刻N维属性向量矩阵的相似度矩阵的过程包括：

步骤S21，获取预训练样本集Z＝{z₁，...，z_m，...，z_M}，z_m表示第m个用于训练的N维属性向量矩阵，1≤m≤M；基于预训练样本集构建N维向量矩阵中每维属性相对每个检测类别的高斯型隶属度函数，检测类别包括正常和异常两种；

步骤S22，匹配t时刻N维向量矩阵X_t和高斯型隶属度函数，并对匹配结果进行融合获得t时刻N维向量矩阵X_t中每维属性相对计算类别c的基本概率分配，计算类别c包括正常、异常和正常或异常三种；

步骤S23，根据t时刻N维向量矩阵X_t中每维属性的基本概率分配迭代获取X_t中该维属性相对每个计算类别的不确定性度；

步骤S24，计算t时刻N维向量矩阵X_t中任意两个属性的相似度，获得t时刻N维属性向量矩阵的相似度矩阵。

3.如权利要求2所述的基于相似度的多元时间序列异常检测与诊断方法，其特征在于，在步骤S21中，第n个属性相对检测类别c′的高斯隶属度函数为：

其中，x表示待测试样本的第n个属性值；表示预训练样本集中所有样本中属于检测类别c′的第n个属性值的均值；表示预训练样本集所有样本中属于检测类别c′的第n个属性值的标准差；n∈[1，N]。

4.如权利要求3所述的基于相似度的多元时间序列异常检测与诊断方法，其特征在于，在步骤S23中，求取t时刻N维向量矩阵X_t中第n维属性相对计算类别的不确定性度的过程包括：

步骤S321，初始化参数：

设置变量表示t时刻N维向量矩阵X_t中第n维属性相对计算类别c的不确定性度，令的初始迭代值为X_t中第n维属性相对计算类别c的基本概率分配

设p为迭代次数，初始值为1；

计算中间变量其中，当计算类别c为正常或者异常时，|c|＝1，当计算类别c为正常或异常时，|c|＝2；θ表示计算类别c的取值集合，θ＝{正常，异常，正常或异常}；

步骤S322，按照如下公式计算的p次迭代值：

步骤S323，计算迭代增量若满足Δ＜ε，则停止迭代，将作为输出，若不满足Δ＜ε，令p＝p+1，返回继续执行步骤S322。