[发明专利]物联网时序数据异常检测方法及其相关设备

权利要求书

1.一种物联网时序数据异常检测方法，其特征在于，包括：

获取物联网中各软硬件产生的时序信号数据；

确定所述时序信号数据对应的序列类型，并根据所述序列类型从模型库中选取对应的目标深度学习模型，其中，所述目标深度学习模型为预先结合时域与空域特征对历史时序信号数据进行训练而得到的模型；

通过所述目标深度学习模型对所述时序信号数据进行序列预测，得到对应的预测序列；

将所述预测序列与所述时序信号数据的原始序列进行差分，得到残差序列；

根据所述残差序列对所述时序信号数据进行异常检测。

2.根据权利要求1所述的方法，其特征在于，所述确定所述时序信号数据对应的序列类型，包括：

提取所述时序信号数据中的特征；

根据所述时序信号数据中的特征，确定所述时序信号数据的序列类型。

3.根据权利要求1所述的方法，其特征在于，所述模型库中包括多个序列类型对应的深度学习模型，每个深度学习模型通过以下方式预先训练得到：

获取每个序列类型的历史时序信号数据；

通过卷积神经网络CNN和长短期记忆网络LSTM对所述每个序列类型的历史时序信号数据进行训练，得到所述每个序列类型的深度学习模型。

4.根据权利要求3所述的方法，其特征在于，所述通过卷积神经网络CNN和长短期记忆网络LSTM对所述每个序列类型的历史时序信号数据进行训练，得到所述每个序列类型的深度学习模型，包括：

构建模型，所述模型包括CNN卷积层、LSTM层和全连接层；

将所述每个序列类型的历史时序信号数据输入至所述模型中的CNN卷积层，进行空间特征的自学习；

将卷积后的历史时序信号数据进入所述LSTM层进行时序特征的自学习，并将所述LSTM层中最后一层LSTM的输出经过所述全连接层输出；

计算输出的序列与所述历史时序信号数据的均方根误差，并根据所述均方根误差更新模型参数；

根据所述每个序列类型的历史时序信号数据对经过参数更新的模型继续进行训练，直至模型收敛，将所述收敛的模型确定为所述每个序列类型的深度学习模型。

5.根据权利要求1至4中任一项所述的方法，其特征在于，所述根据所述残差序列对所述时序信号数据进行异常检测，包括：

对所述残差序列进行归一化和ARIMA平滑处理，并计算经过所述归一化和ARIMA平滑处理的残差序列中各节点的高斯分布概率密度值；

将所述残差序列中各节点的高斯分布概率密度值与异常阈值进行比较；

确定所述高斯分布概率密度值小于所述异常阈值的节点为异常节点。

6.一种物联网时序数据异常检测装置，其特征在于，包括：

时序信号获取模块，用于获取物联网中各软硬件产生的时序信号数据；

序列类型确定模块，用于确定所述时序信号数据对应的序列类型；

模型选择模块，用于根据所述序列类型从模型库中选取对应的目标深度学习模型，其中，所述目标深度学习模型为预先结合时域与空域特征对历史时序信号数据进行训练而得到的模型；

序列预测模块，用于通过所述目标深度学习模型对所述时序信号数据进行序列预测，得到对应的预测序列；

残差序列生成模块，用于将所述预测序列与所述时序信号数据的原始序列进行差分，得到残差序列；

异常检测模块，用于根据所述残差序列对所述时序信号数据进行异常检测。

7.根据权利要求6所述的装置，其特征在于，所述序列类型确定模块具体用于：

提取所述时序信号数据中的特征；

根据所述时序信号数据中的特征，确定所述时序信号数据的序列类型。