一种周期时间序列异常检测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115766504A(43)申请公布日2023.03.07(21)申请号202211423138.3(22)申请日2022.11.15(71)申请人杭州电子科技大学地址310018浙江省杭州市钱塘新区白杨街道2号大街1158号(72)发明人刘春山廖世波夏永祥涂海程赵楼(51)Int.Cl.H04L43/08(2022.01)H04L43/04(2023.01)G06N3/0442(2023.01)G06N3/088(2022.01)权利要求书2页说明书8页附图2页(54)发明名称一种周期时间序列异常检测方法(57)摘要本发明公开了一种周期时间序列异常检测方法，包括如下步骤：步骤S1：历史时间序列数据预处理；步骤S2：搭建基于GRU和自编码器网络的异常检测模型；步骤S3：以随机洗牌方式训练模型；步骤S4：根据训练数据确定异常检测阈值；步骤S5：执行异常检测。该方法的核心思想是将原始时间序列经过GRU‑AE模型得到重构序列，再计算原始时间序列和重构时间序列之间的重构误差，最后根据重构误差识别序列中的异常点。在本发明中，采用多时间节点输入方式，加快模型的训练速度，也更好地学习时间序列之间的规律，并且提出了一种新的模型训练方式，以减少过拟合现象。CN115766504ACN115766504A权利要求书1/2页1.一种周期时间序列异常检测方法，其特征在于，包括如下步骤：步骤S1、历史时间序列数据预处理；步骤S2、搭建异常检测模型整体采用AutoEncoder模型，AutoEncoder的编码器和解码器都采用GRU单元，并在编码器和解码器之间加入了自注意力机制；步骤S3、训练异常检测模型；步骤S4、根据训练数据确定异常检测阈值；步骤S5、执行异常检测。2.根据权利要求1所述的周期时间序列异常检测方法，其特征在于，所述步骤1包括如下子步骤：S1‑1、采用线性插值的方法对历史时间序列进行缺失值填充，其中历史时间序列为t＝{t1,t2,...tn}，其中n为序列长度，ti为序列在i时刻的值，i∈{1，2，3…,n}；S1‑2、对进行缺失值填充后的历史时间序列进行MIN‑MAX归一化处理，得到t′＝{t′1,t′2,...t′n}。3.根据权利要求2所述的周期时间序列异常检测方法，其特征在于，所述MIN‑MAX归一化处理方法为，定义：其中max(t)为时间序列t中最大的值，min(t)为时间序列t中最小的值，时间序列t经过归一化后的结果为t′＝{t′1,t′2,...t′n}，且所有的值都控制在[0，1]。4.根据权利要求1所述的周期时间序列异常检测方法，其特征在于，所述异常检测模型的运行方法为：编码器GRU单元的数据流如下，假设输入为x＝{x1,x2,...xn}，首先x1进入第一个GRU单元，得到当前时刻的状态当前的状态和下一时刻的x2一起送到下一个GRU单元得到下一时刻的状态重复该步骤直至输出最后的状态因此整个编码器的输出同时将编码器的最后一个状态传到解码器的第一个GRU单元，作为解码器的初始状态；解码器GRU单元的输入，是将解码器当前的状态送到Attention机制中，与每个编码器的输出进行运算，得到注意力得分αjt，注意力得分αjt再经过softmax函数，得到权重系en数α′jt，Attention机制就是对编码器的输出N进行重新权重分配，因此第j个解码器的输入可以表示为其中Attention机制的核心，就是让解码器在每个时间步，对编码器的每个隐藏状态给予不同程度的关注，同时加入Attention机制还能加快模型的训练速度，Attention机制也是一个需要学习的参数，在解码器中，以相反的顺序执行解码，即优先重构出x′n，最后重构出x′1，调整序列顺序，得到解码器输出x′＝{x′1,x′2,...x′n}，重构误差可以表示为Rerror＝x′‑x。5.根据权利要求4所述的周期时间序列异常检测方法，其特征在于，所述步骤S3中训练方法为：随机洗牌训练方法，具体如下：2CN115766504A权利要求书2/2页对输入的n维序列x＝{x1,x2,...xn}随机打乱重构顺序，最后根据输入序列和重构序列均方误差损失函数更新异常检测模型的参数。6.根据权利要求5所述的周期时间序列异常检测方法，其特征在于，所述步骤S3中打乱重构顺序时，若未打乱顺序的按照倒序的方式依次将输入重构，例如优先重构出xn，其次重构出xn‑1，最后重构出x1,调整重构后序列的顺序，得到重构序列x′＝{x′1,x′2,...x′n}，计算输入序列x和重构序列x′之间的最小化损失函数floss，更新异常检测模型的参数。7.根据权利要求6所述的周期时间序列异常检测方法，其特征在于，所述最小化损失函数floss的表达