[发明专利]一种多视角时间序列异常点集成检测和可视化方法

说明书

本发明公开了一种多视角时间序列异常点集成检测和可视化方法，基于异常检测算法计算得出的数据点异常评分构建数据点异常评分矩阵，根据设定的视角数量对数据点异常评分矩阵进行分解，再对各视角下的数据点异常评分进行集成，形成更加准确的数据点异常评分值，从而有效地集成了各种时间序列异常检测算法，提高了数据点异常评分的准确性。

技术领域

本发明属于计算机应用技术领域，具体涉及一种多视角时间序列异常点集成检测和可视化方法。

背景技术

异常点是显著不同于预期对象的数据对象，时间序列是同一统计指标的数值按其发生的时间先后顺序排列而成的数列，时间序列异常检测是识别时间序列中显著不同于预期对象的数据对象的过程。时间序列中的异常点往往隐藏着重要信息，如代表设备故障、欺诈行为等信息。随着时序数据的广泛应用，时序数据异常点检测成为大数据挖掘领域的重要研究内容，具有重要理论与应用价值，其成果广泛应用于发动机状态检测、网络入侵检测、网络舆情监控、信用卡反欺诈、自然灾害分析等领域。

实际中时间序列可能具有各种形状和结构，且不同应用场景中对异常点的界定和理解也不同，难以使用单一的时间序列异常点检测模型实现有效的时间序列异常点检测。但现有的时间序列异常点检测算法主要是基于单一模型的，如基于ARIMA、基于指数平滑、基于马尔科夫链、隔离森林等方法。少量集成模型主要依赖数据或针对特定异常点检测算法，缺乏能有效集成多种时间序列异常检测算法的通用时间序列异常点集成检测模型。此外，由于时间序列存在可能具有各种形状和结构的特点，可视化方法是理解时间序列异常点的有效方法，但目前时间序列异常点可视化主要是基于单一视角的，不能实现不同视角下的时间序列异常点的多角度全方位展示和理解。

发明内容

有鉴于此，本发明提供了一种多视角时间序列异常点集成检测和可视化方法，基于异常检测算法计算得出的数据点异常评分构建数据点异常评分矩阵，根据设定的视角数量对数据点异常评分矩阵进行分解，再对各视角下的数据点异常评分进行集成，形成更加准确的数据点异常评分值，从而有效地集成了各种时间序列异常检测算法，提高了数据点异常评分的准确性。

本发明提供了一种多视角时间序列异常点集成检测和可视化方法，包括如下步骤：

步骤一、选择多种数据点异常检测算法分别计算各数据点的异常评分；

步骤二、根据步骤一中得到的各数据点的多个异常评分，以采用的异常检测算法为行、以检测的数据点为列，构建数据点异常评分矩阵；

步骤三、根据设定的特征视角数量G将所述数据点异常评分矩阵分解为两个正交矩阵，再将两个正交矩阵的行与列分别相乘得到G个不同视角下的数据点异常评分矩阵，采用可视化方法实现G个不同视角下的数据点异常评分矩阵的可视化；

步骤四、将步骤三中得到的G个不同视角下的数据点异常评分矩阵进行矩阵相加，得到集成数据点评分矩阵，再采用集成学习方法计算得到各数据点异常评分的集成结果，采用可视化方法实现集成数据点评分矩阵的可视化。

进一步地，所述步骤一中所述选择多种数据点异常检测算法的过程为，根据待检测数据是否为含有多条数据的时间序列数据选择异常检测算法，即，当待检测数据为含有多条数据的时间序列数据时，选择基于马尔科夫链、基于简单时序平均、基于加权移动平均及基于指数平滑的异常检测算法；当待检测数据为单条时间序列数据时，则选择基于回归分析、基于聚类距离、基于ARIMA模型、基于孤立森林及基于统计的异常检测算法。

进一步地，所述步骤三中所述根据设定的特征视角数量G将所述数据点异常评分矩阵分解为两个正交矩阵的过程为：设定公式(1)为目标函数：

其中，P_sg为矩阵P(S*G)中第s行g列的元素，Q_gt为矩阵Q(G*T)中第g行t列的元素，为异常评分矩阵H和两个正交矩阵P(S*G)和Q(G*T)之积的KL散度，是异常预测评分的误差；