时间序列中异常数据的检测方法和装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113850418A(43)申请公布日2021.12.28(21)申请号202111024302.9(22)申请日2021.09.02(71)申请人支付宝（杭州）信息技术有限公司地址310000浙江省杭州市西湖区西溪路556号8层B段801-11(72)发明人倪翔孟昌华王维强(74)专利代理机构济南信达专利事务所有限公司37100代理人李世喆(51)Int.Cl.G06Q10/04(2012.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书11页附图3页(54)发明名称时间序列中异常数据的检测方法和装置(57)摘要本说明书实施例提供了时间序列中异常数据的检测方法和装置。根据实施例的方法，首先获取待检测时间段内的时间序列，然后确定与该时间序列具有相关性的关联时间序列。然后获取当前时间序列的历史数据，进一步根据该时间序列以及该时间序列的历史数据和关联时间序列得到时间序列的预测值。最后根据该时间序列的预测值和实际值对时间序列中的指标数据是否存在异常进行检测。如此充分考虑了与该当前时间序列相关联的关联时间序列和历史数据，能够提高当前时间序列的预测值的准确度，从而使异常数据的检测具有更高的检测精度。CN113850418ACN113850418A权利要求书1/2页1.时间序列中异常数据的检测方法，包括：获取待检测时间段内的至少两组时间序列；其中，每一组时间序列对应一种指标数据，且每一组时间序列由随时间变化的指标数据构成；针对每一组时间序列均执行：从所述至少两组时间序列中确定出与当前时间序列相关的关联时间序列；获取所述待检测时间段之外的对应所述当前时间序列的第一历史数据；根据所述当前时间序列的第一历史数据、关联时间序列以及该当前时间序列，得到时间序列预测值；根据所述时间序列预测值和所述当前时间序列中指标数据的实际值，对所述该当前时间序列中的异常指标数据进行检测。2.根据权利要求1所述的方法，其中，所述从所述至少两组时间序列中确定出与当前时间序列相关的关联时间序列，包括：针对除所述当前时间序列之外的每一个时间序列，获取所述待检测时间段之外的对应该时间序列的第二历史数据；将所述第二历史数据和该第二历史数据的实际值输入预先训练的损失函数估计模型中，得到至少一组损失函数值；其中，所述损失函数值用于反映两个时间序列之间的相关性；根据预先设定的阈值范围，将各所述损失函数值中位于所述阈值范围之内的损失函数值所对应的时间序列，确定为所述当前时间序列的关联时间序列。3.根据权利要求1所述的方法，其中，所述根据所述当前时间序列的第一历史数据、关联时间序列以及该当前时间序列得到时间序列预测值，包括：将所述当前时间序列和所述关联时间序列进行融合，得到第一预测值；将所述第一预测值和所述当前时间序列的第一历史数据进行融合，得到所述时间序列预测值。4.根据权利要求3所述的方法，其中，所述将所述当前时间序列和所述关联时间序列进行融合，得到第一预测值，包括：确定所述关联时间序列的权重值；根据关联时间序列的权重值，确定对应所述当前时间序列的第一预测附加值；根据所述当前时间序列确定第二预测值；将所述第一预测附加值和所述第二预测值进行融合计算，得到所述当前时间序列的第一预测值。5.根据权利要求3所述的方法，其中，所述将所述第一预测值和所述当前时间序列的第一历史数据进行融合得到所述时间序列预测值，包括：将所述当前时间序列的第一历史数据进行筛选，得到次级历史数据；其中，所述次级历史数据与所述当前时间序列的关联性高于所述关联时间序列与所述当前时间序列的关联性；确定所述次级历史数据对应的第二预测附加值；将所述第一预测值和所述第二预测附加值进行融合计算，得到所述时间序列预测值。6.根据权利要求3所述的方法，其中，所述将所述第一预测值和所述当前时间序列的第2CN113850418A权利要求书2/2页一历史数据进行融合得到所述时间序列预测值，包括：将所述第一预测值和所述第一历史数据输入到时间卷积网络，得到所述时间序列预测值。7.根据权利要求1至6中任一所述的方法，其中，所述根据所述时间序列预测值和所述当前时间序列中指标数据的实际值，对所述该当前时间序列中的异常指标数据进行检测，包括：计算所述待检测时间段内每一个时间点所对应的所述当前时间序列的预测值和实际值之间的差值；针对待检测时间段内的每一个时间点，根据该当前时间点与其他时间点之间的距离，对各时间点所对应的差值进行加权平滑，得到加权平滑数据；根据预先设定的异常值区间，将所述加权平滑数据中位于所述异常值区间中的数据确定为所述当前时间序列中的异常数据。8.根据权利要求7所述的方法，其中，所述根据该当前时间点与其他时间点之间