[发明专利]一种融合LSTM和GAN的时间序列数据异常检测方法

说明书

本发明公开了一种融合LSTM和GAN的时间序列数据异常检测方法，属于信息通信技术领域，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。本发明采用LSTM和GAN模型实现了对时间序列数据的异常检测，能有效、精确地检测出异常序列。

技术领域

本发明涉及信息通信技术领域，特别涉及一种融合LSTM和GAN的时间序列数据异常检测方法。

背景技术

故障预测与健康管理(Prognostic and Health Management，PHM)是综合利用了现代信息技术、人工智能技术的用于管理系统健康状态的一种解决方案。PHM通过对数据的监控与分析，可以预测故障发生的时间和位置，预测整个系统的剩余使用寿，提高系统的运行可靠性，减少系统的维修费用和提高维修准确性，大幅度提高运维效率。

时间序列数据的异常检测处理是PHM领域的一个重要部分，传统的异常检测技术主要包括孤立森林方法、局部异常因子检测法、一类支持向量机方法和统计模型等。其中：(1)孤立森林方法：该方法通过建立孤立树和计算异常分数来区分异常值，可以有效地区分和检测孤立的异常值，但是不适用于特别高维数据。(2)局部异常因子法：该方法本质上是根据密度检测和区分异常数据，可以检测出偏离大多数数据的异常数据，但是最近邻数的选取和巨大的计算量仍然是待解决的问题。(3)一类支持向量机方法：该方法可以通过构造正类数据的超平面模型并将超平面另一侧的数据划分为异常类来获得理想的异常检测结果，但结果很大程度上取决于选择正则化参数和核函数。(4)统计模型：该方法是基于对数据的统计分析，并且采集数据的统计特征用于构建统计模型，超出模型正常范围的数据点被分为异常类，这个方法的明显不足是数据必须符合统计模型。

由于时间序列数据常具有不平稳性质，其波动幅度随时间而改变，使得传统的异常检测方法只能实现浅显层次的异常检测，对于系统传感器数据的深层次特征上的异常检测则无能为力。传统检测方法在实现浅层异常检测时具有较好的效果，但在实现时间序列数据的异常检测时，则存在着明显不足。

发明内容

本发明的目的在于克服现有技术的不足，以适用深层次时序数据的异常检测。

为实现以上目的，一方面，采用一种融合LSTM和GAN的时间序列数据异常检测方法，包括如下步骤：

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。

进一步地，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。

进一步地，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。