[发明专利]一种融合LSTM和GAN的时间序列数据异常检测方法

权利要求书

1.一种融合LSTM和GAN的时间序列数据异常检测方法，其特征在于，包括：

对生成对抗网络模型中鉴别器网络结构和生成器网络结构进行优化；

根据优化后的生成器网络结构和优化后的鉴别器网络结构，搭建异常检测模型，该优化后的鉴别器网络结构可实现时序数据时序特征提取；

对异常检测模型进行训练和验证，确定异常检测模型的参数；

利用确定参数后的异常检测模型对采集的时序数据进行处理，得到异常序列数据检测结果。

2.如权利要求1所述的融合LSTM和GAN的时间序列数据异常检测方法，其特征在于，所述对生成对抗网络模型中鉴别器网络结构和生成器网络结构进行优化，包括：

将所述生成对抗网络模型中的二维卷积层均拓展为一维卷积层，并将所述生成对抗网络模型中的上采样层均去掉；

在所述鉴别器网络结构的第一个卷积层前加入一层LSTM网络。

3.如权利要求1所述的融合LSTM和GAN的时间序列数据异常检测方法，其特征在于，所述对异常检测模型进行训练和验证，确定异常检测模型的参数，包括：

获取训练数据集并输入至所述异常检测模型，并在所述异常检测模型中的生成器和鉴别器达到纳什平衡状态时，得到训练好的异常检测模型；

获取验证数据集并输入至训练好的异常检测模型，以对训练好的异常检测模型的参数进行微调，确定所述异常检测模型的参数。

4.如权利要求1所述的融合LSTM和GAN的时间序列数据异常检测方法，其特征在于，所述利用确定参数后的异常检测模型对采集的测试数据进行处理，得到异常序列数据检测结果，包括：

获取实时采集的时序数据，并将时序数据的映射输入通过所述确定参数后的异常检测模型中生成器进行重构，得到重构数据；

将得到的重构数据与时序数据的均方根误差作为该生成器的生成残差；

将正常数据在鉴别器的输出值和测试数据在鉴别器的输出值的差值的绝对值作为该鉴别器的鉴别损失；

根据所述生成残差和鉴别损失，判断所述时序数据的异常序列数据检测结果。

5.如权利要求1-4任一项所述的融合LSTM和GAN的时间序列数据异常检测方法，其特征在于，根据所述生成残差和鉴别损失，判断所述时序数据的异常序列数据检测结果，包括：

利用计算公式对所述生成残差和鉴别损失进行处理，得到评判准则α：

其中，X为实时采集的时序数据，X'为生成残差，DL为鉴别损失，β为加权参数；

判断评判准则α与是否大于设置的判别阈值；

若是，则确定所述时序数据中存在异常序列数据；

若否，则确定所述时序数据正常。

6.一种融合LSTM和GAN的时间序列数据异常检测系统，其特征在于，包括：优化模块、模型搭建模块、训练验证模块和检测模块；

优化模块用于对生成对抗网络模型中鉴别器网络结构和生成器网络结构进行优化；

模型搭建模块用于根据优化后的生成器网络结构和优化后的鉴别器网络结构，搭建异常检测模型，该优化后的鉴别器网络结构可实现时序数据时序特征提取；

训练验证模块用于对异常检测模型进行训练和验证，确定异常检测模型的参数；

检测模块用于利用确定参数后的异常检测模型对采集的时序数据进行处理，得到异常序列数据检测结果。

7.如权利要求6所述的融合LSTM和GAN的时间序列数据异常检测系统，其特征在于，所述优化模块包括第一优化单元和第二优化单元；

第一优化单元用于将所述生成对抗网络模型中的二维卷积层均拓展为一维卷积层，并将所述生成对抗网络模型中的上采样层均去掉；

第二优化单元用于在所述鉴别器网络结构的第一个卷积层前加入一层LSTM网络。