[发明专利]流数据的异常点检测方法及装置

权利要求书

1.一种流数据的异常点检测方法，其特征在于，所述流数据包括每类传感器在历史时刻检测到的数据，以及在每一所述历史时刻的实测异常点数据，所述方法包括：

根据每类所述传感器在所述历史时刻检测到的数据，以及所述实测异常点数据训练长短时记忆递归神经网络LSTM模型，形成已训练LSTM模型，其中，每类所述传感器在所述历史时刻检测到的数据作为训练所述LSTM模型的一个输入向量；

将每类所述传感器在当前时刻检测到的数据作为所述已训练LSTM模型的输入，得到所述已训练LSTM模型输出的异常点数据检测结果。

2.根据权利要求1所述的方法，其特征在于，所述根据每类所述传感器在所述历史时刻检测到的数据，以及所述实测异常点数据训练长短时记忆递归神经网络LSTM模型，形成已训练LSTM模型，包括：

利用所述LSTM模型的流数据滑动窗口学习每类所述传感器在所述历史时刻检测到的数据，得到正常点的目标概率值P(y＝1|h)，其中，正常点标签y的值为1；

根据正常点的标签及所述目标概率值P(y＝1|h)，计算获得交叉熵，其中，所述交叉熵作为模型的损失函数，用于衡量概率值与标签的相似性；

根据所述损失函数调整所述LSTM模型的参数。

3.根据权利要求2所述的方法，其特征在于，所述利用所述LSTM模型的流数据滑动窗口学习每类所述传感器在所述历史时刻检测到的数据，得到正常点的目标概率值P(y＝1|h)，包括：

利用所述LSTM模型的流数据滑动窗口分别学习每一类传感器在所述历史时刻检测到的数据的特征，得到隐藏向量表示；

将所述隐藏向量表示通过所述LSTM模型的逻辑回归层处理，得到所述目标概率值P(y＝1|h)。

4.根据权利要求2所述的方法，其特征在于，所述利用所述LSTM模型的流数据滑动窗口学习每类所述传感器在所述历史时刻检测到的数据，得到正常点的目标概率值P(y＝1|h)，包括：

利用所述LSTM模型的流数据滑动窗口分别学习每一类传感器在所述历史时刻检测到的数据的特征，得到第一隐藏向量表示；

将所述第一隐藏向量表示通过所述LSTM模型的逻辑回归层处理，得到所述第一概率值P(y＝1|h₁)；

利用所述LSTM模型的流数据滑动窗口学习所有传感器在所述历史时刻检测到的数据的特征，得到第二隐藏向量表示；

将所述第二隐藏向量表示通过所述LSTM模型的逻辑回归层处理，得到第二概率值P(y＝1|h₂)；

根据所述第一概率值P(y＝1|h₁)和所述第二概率值P(y＝1|h₂)通过如下公式计算得到所述目标概率值P(y＝1|h)：

P(y＝1|h)＝sigmoid(α·P(y＝1|h₁)+β·P(y＝1|h₂))；

其中，α大于0，β大于0，且α+β＝1，sigmoid为激活函数。

5.根据权利要求2至4任一项所述的方法，其特征在于，所述根据正常点的标签及所述目标概率值P(y＝1|h)，计算获得交叉熵，包括：

通过如下公式计算正常点的标签及所述目标概率值P(y＝1|h)的交叉熵L(θ)：

L(θ)＝-(ylogP(y＝1|h)+(1-y)log(1-P(y＝1|h)))。

6.根据权利要求5所述的方法，其特征在于，所述根据所述损失函数调整所述LSTM模型的参数，包括：

根据所述损失函数L(θ)通过随机梯度下降算法对模型参数进行调整。

7.一种检测装置，其特征在于，包括：

训练模块，用于根据每类传感器在历史时刻检测到的数据，以及每一所述历史时刻的实测异常点数据训练长短时记忆递归神经网络LSTM模型，形成已训练LSTM模型，其中，每类所述传感器在所述历史时刻检测到的数据作为训练所述LSTM模型的一个输入向量；

检测模块，用于将每类所述传感器在当前时刻检测到的数据作为所述已训练LSTM模型的输入，得到所述已训练LSTM模型输出的异常点数据检测结果。