[发明专利]构建模型的方法和装置以及异常数据的检测方法和装置

权利要求书

1.一种构建状态转移模型的方法，其特征在于，包括：

获取历史数据，所述历史数据包含相互之间具有关联性的多组数据；

对所述历史数据进行降维；以及

利用所述历史数据的降维结果构建状态转移模型。

2.根据权利要求1所述的方法，其特征在于，所述构建状态转移模型的步骤包括：

将所述历史数据的多组数据中的每一组数据的降维结果作为一个状态向量，获得与所述历史数据的多组数据对应的多个状态向量；

基于所述多个状态向量中各状态向量与前一状态向量求出状态转移矩阵；以及

利用所述状态转移矩阵构建从历史状态向量到当前状态向量的状态转移模型。

3.根据权利要求2所述的构建状态转移模型的方法，其特征在于，在求出状态转移矩阵的步骤中，通过最小化差值的目标函数求出所述状态转移矩阵；其中，将所述多个状态向量中各状态向量减去前一状态向量与所述状态转移矩阵的乘积得到所述差值。

4.根据权利要求2或3所述的构建状态转移模型的方法，其特征在于，所述状态转移模型是通过将所述状态转移矩阵与所述历史状态向量相乘、进而加上建模误差而得到下一状态向量的状态转移模型。

5.根据权利要求2或3所述的构建状态转移模型的方法，其特征在于，在使用所述状态转移模型预测所述历史数据后续的数据时，通过将所述状态转移矩阵与所述多个状态向量中的最后一个状态向量相乘，得到所述历史数据后续的数据的预测值。

6.一种异常数据的检测方法，其特征在于，包括：

使用权利要求1-5中的任一项所述的构建状态转移模型的方法根据历史数据构建的状态转移模型，预测当前的数据，得到预测值；

获取待异常检测的当前数据，所述待异常检测的当前数据是与所述历史数据具有关联性的一组数据；

对所述待异常检测的当前数据进行降维；以及

将所述预测值与所述待异常检测的当前数据的降维结果进行比较，来判定所述待异常检测的当前数据是否异常。

7.根据权利要求6所述的异常数据的检测方法，其特征在于，在所述判定步骤中，当所述预测值与所述待异常检测的当前数据的降维结果之间的差异超过预定的阈值时，判定所述待异常检测的当前数据为异常数据。

8.根据权利要求7所述的异常数据的检测方法，其特征在于，所述预测值与所述待异常检测的当前数据的降维结果之间的差异是所述预测值与所述待异常检测的当前数据的降维结果之间的误差向量的范数、向量夹角、形状相似度中的任意一种。

9.根据权利要求1-3、6-8中的任一项所述的方法，其特征在于，

在所述降维的步骤中，使用主成分分析、复制神经网络的方法、独立成分分析和局部线性嵌入方法中的任意一种方法来进行数据的降维。

10.根据权利要求1-3、6-8中的任一项所述的方法，其特征在于，所述关联性是时间上的关联性或空间上的关联性。

11.一种构建状态转移模型的装置，其特征在于，包括：

数据获取单元，其获取历史数据，所述历史数据包含相互之间具有关联性的多组数据；

降维单元，其对所述历史数据进行降维；

状态转移模型构建单元，其利用所述历史数据的降维结果构建状态转移模型。

12.根据权利要求11所述的构建状态转移模型的装置，其特征在于，所述状态转移模型构建单元包括：

状态向量求取单元，其将所述历史数据的多组数据中的每一组数据的降维结果作为一个状态向量，获得与所述历史数据的多组数据对应的多个状态向量；

状态转移矩阵求取单元，其基于所述多个状态向量中各状态向量与前一状态向量求出状态转移矩阵；以及

模型构建单元，其利用所述状态转移矩阵构建从历史状态向量到当前状态向量的状态转移模型。

13.根据权利要求12所述的构建状态转移模型的装置，其特征在于，所述状态转移矩阵求取单元通过最小化所述多个状态向量中各状态向量和前一状态向量与所述状态转移矩阵的乘积之间的差值的目标函数，求出所述状态转移矩阵。