[发明专利]一种异常事件检测方法及装置

权利要求书

1.一种异常事件检测方法，其特征在于，方法包括：

获取当前基站在第一预设时间段内的兴趣点POI数据以及通信数据；

将所述POI数据与所述通信数据进行融合，得到所述当前基站的当前总特征向量，所述当前总特征向量的元素表示所述当前基站在指定时刻的通信数据所在区域的类别与所述通信数据的对应关系；

基于所述当前总特征向量，通过训练好的多分类模型，计算得到所述当前总特征向量的当前类别概率向量，当前类别概率向量表示当前基站所在区域的类别的概率；

计算所述当前类别概率向量与获得的当前基站的历史类别概率向量之间的欧式距离；

若所述当前类别概率向量与所述历史类别概率向量之间的欧式距离超过距离阈值，则将所述当前基站确定为待定异常基站；

判断所述待定异常基站的当前平均特征向量与所述待定异常基站的历史平均特征向量的第一差值是否超过预设的第一差异阈值，确定所述待定异常基站的当前通信数据是否异常，当前平均特征向量的每个元素表示在指定时刻当前通信数据的用户数的平均值。

2.根据权利要求1的方法，其特征在于，所述将所述POI数据与所述通信数据进行融合，得到所述当前基站的当前总特征向量的步骤，包括：

获取在所述第一预设时间段内的每个指定时刻所述当前基站的通信数据的特征值；

按照预设的周期，计算所述当前基站的通信数据的特征值的平均值，获得所述通信数据的当前平均特征向量；

将所述POI数据分别输入预设的词向量Glove模型以及预设的主题生成LDA模型，获得Glove模型输出的第一特征向量以及LDA模型输出的第二特征向量；

基于所述当前平均特征向量、所述第一特征向量以及所述第二特征向量，计算得到总相似度矩阵；

将总相似度矩阵的每一行元素，确定为与该行元素序号相同的所述当前基站的当前总特征向量。

3.根据权利要求1的方法，其特征在于，所述训练好的多分类模型是通过如下步骤得到的：

获取在当前时刻前的第二预设时间段内，多个历史时刻时的多个基站的POI数据以及通信数据；

针对多个基站，将该基站同一历史时刻的POI数据以及通信数据进行融合，得到历史总特征向量；

将每个历史总特征向量作为一个样本，组成样本集；

基于所述样本集，使用十折交叉法迭代训练预设的多分类模型，直至达到迭代次数；

将达到迭代次数的多分类模型，确定为训练好的多分类模型。

4.根据权利要求3的方法，其特征在于，所述基于样本集，使用十折交叉法迭代训练预设的多分类模型，直至达到迭代次数的步骤，包括：

针对所述样本集中的第一样本，将除第一样本外的一个第二样本输入预设的多分类模型，将第二样本对应的基站所在区域的类别，作为多分类模型输出的概率最高的类别，训练多分类模型直至达到迭代次数。

5.根据权利要求1的方法，其特征在于，所述历史类别概率向量通过如下的步骤获得：

针对多个历史总特征向量中的一个历史总特征向量，将该历史总特征向量输入除该历史总特征向量外的历史总特征向量训练得到的多分类模型中，得到该历史总特征向量的历史类别概率向量；

将所述历史类别概率向量确定为历史总特征向量所在基站的历史类别概率向量。

6.根据权利要求1的方法，其特征在于，所述判断待定异常基站的当前平均特征向量与待定异常基站的历史平均特征向量的第一差值是否超过预设的第一差异阈值，确定待定异常基站的当前通信数据是否异常的步骤，包括：

确定所述第一差值超过第一差值阈值的当前通信数据的目标时间段；

统计在所述第一预设时间段内，每个指定时段包含所述目标时间段的个数；

将包含目标时间段的个数最多的指定时段，确定为异常发生时段；

并且，当所述第一差值超过第一差值阈值时，判断所述待定异常基站的当前平均特征向量与非异常基站的当前平均特征向量的第二差值是否超过第二差值阈值；

当所述第二差值超过所述第二差值阈值时，将所述待定异常基站确定为异常基站；

将所述异常基站在异常发生时段的当前通信数据，确定为异常的当前通信数据。