[发明专利]一种基于条件式规整化流模型的时间序列无监督异常检测方法

权利要求书

1.一种基于条件式规整化流模型的时间序列无监督异常检测方法，包括以下步骤：

(1)对给定的时间序列数据进行预处理，构建训练数据集；

(2)构建循环神经网络，用于将历史时间序列处理为隐表示；

(3)构建以历史观测序列为条件、建模观测窗口概率密度的条件式规整化流模型，用于计算观测窗口内时间序列的条件对数似然度；

(4)根据训练数据集，基于最大似然原则学习优化循环神经网络和条件式规整化流模型的参数；

(5)根据训练数据集中所有样本在参数确定的条件式规整化流模型下的条件对数似然度选取阈值；

(6)使用参数确定的循环神经网络和条件式规整化流模型在线计算观测窗口内时间序列的条件对数似然度，当该条件对数似然度低于指定阈值时，将观测窗口报告为异常；

其中，步骤(3)包括：

(3-1)使用规整化流处理观测窗口内X_T+1:T+L，也就是使用规整化流处理观测窗口内的时间序列，该规整化流处理由K层可逆变换定义，令对于k＝1，…，K，使用以隐表示h_T为条件的第k层可逆变换f_k将映射为令l＝L/2，可逆变换f_k:定义如下：

其中split函数split(·)将长为L的输入时间序列切分为两个长为l的等长子时间序列，exp函数exp(·)是逐元素指数激活函数，表示逐元素乘积，concat函数concat(·)将两个长为l的子时间序列拼接为长为L的输出序列，MLP表示多层感知机，和表示第k层可逆变换f_k中的第一个和第二个MLP，α⁽¹⁾和β⁽¹⁾表示第一个MLP输出的缩放和偏移系数，α⁽²⁾和β⁽²⁾表示第二个MLP输出的缩放和偏移系数，一个两层的MLP定义为：

MLP(z，h)＝tanh(W₂ tanh(W₁[z，h]+b₁)+b₂)

其中z和h是表示向量输入，“[·，·]”表示向量拼接，{W₁，W₂，b₁，b₂}是可学习的参数；

在进行可逆变换时，该可逆变换的雅可比行列式绝对值的对数如下计算：

其中和分别表示向量β⁽¹⁾和β⁽²⁾的第i个元素；

(3-2)计算在标准多元正态分布中概率密度的对数结合各层可逆变换的雅可比行列式绝对值的对数，得出X_T+1：T+L在条件式规整化流模型下的条件对数似然度logp_θ(X_T+1：T+L|X_1：T)，其中θ表示循环神经网络和条件式规整化流模型的参数；

在标准多元正态分布中概率密度的对数如下计算：

X_T+1：T+L在条件式规整化流模型下的条件对数似然度如下计算：

2.如权利要求1所述的基于条件式规整化流模型的时间序列无监督异常检测方法，其特征在于，步骤(2)中，循环神经网络使用GRU单元实现，令对于t＝1，...，T，GRU单元迭代地执行以下计算：

z_t＝σ_g(w_zX_t+U_zh_t-1+b_z)

r_t＝σ_g(w_rX_t+U_rh_t-1+b_r)

其中和表示不同的可学习参数，*＝z，r，h，表示逐元素乘积，σ_g(·)表示sigmoid激活函数，σ_h(·)表示tanh激活函数。