[发明专利]一种多元时间序列异常模式预测方法及数据采集监控装置

权利要求书

1.一种多元时间序列异常模式预测方法，其特征在于，包括：

根据自然近邻的原理，基于多元时间序列的历史数据获取密度数据估计的离群值检测算法MMOD的最佳k值，从而为MMOD算法配置最佳k值；

对MMOD算法进行在线扩展，根据配置的最佳k值对多元时间序列进行异常模式检测，从而基于MMOD算法实现多元时间序列异常模式的在线识别；

根据增量模糊自适应聚类算法实现多元时间序列子序列向观测序列的转换，并基于Baum-Welch算法和所有观测序列构建多元时间序列的隐马尔可夫模型，基于构建的隐马尔可夫模型实现多元时间序列异常模式的在线预测。

2.如权利要求1所述的多元时间序列异常模式预测方法，其特征在于，所述基于MMOD算法实现多元时间序列异常模式的在线识别，包括：

实时检测多元时间序列是否有新的多元时间序列子序列产生；

若有新的多元时间序列子序列产生，则在线计算当前多元时间序列子序列的异常得分，并实时比较当前异常得分与预设阈值的大小关系；

若当前异常得分大于预设阈值，则当前多元时间序列子序列为异常模式。

3.如权利要求2所述的多元时间序列异常模式预测方法，其特征在于，所述基于构建的隐马尔可夫模型实现多元时间序列异常模式的在线预测，包括：

基于增量模糊自适应聚类算法实时判断当前多元子序列的观测状态；

基于当前多元子序列的观测状态序列，通过隐马尔可夫模型对下一多元子序列的隐含状态进行预测。

4.如权利要求1所述的多元时间序列异常模式预测方法，其特征在于，所述根据自然近邻的原理，基于多元时间序列的历史数据获取密度数据估计的离群值检测算法MMOD的最佳k值，包括：

S1，初始化sup_k＝1，nb_i＝0；

S2，搜索各个子序列的sup_k近邻子序列，并用nb_i表示第i个子序列的自然邻居子序列，用存储第i个子序列的逆邻居子序列；

S2.1，计算自然邻居为空的子序列的个数，记为

S2.2，若则转到S3，否则sup_k＝sup_k+1转到S2；

S3，确定k为sup_k-²近邻下的最大逆邻居数，即

5.如权利要求1所述的多元时间序列异常模式预测方法，其特征在于，所述基于MMOD算法实现多元时间序列异常模式的在线识别，还包括：

对于新到来的多元时间序列子序列x_t，当x_t为历史多元时间序列子序列x_i的k近邻模式时，对所有满足d(x_t,x_i)＜δ_k(x_i)的历史多元时间序列子序列x_i进行异常得分更新；并将每个多元时间序列子序列的k近邻距离进行存储；

其中，d(x_t,x_i)为多元时间序列子序列x_t与其第i个近邻多元时间序列子序列x_l的距离，δ_k(x_i)为多元时间序列子序列x_l与其第k个近邻模式之间的距离。