[发明专利]一种时间序列数据异常点检测方法及系统

权利要求书

1.一种时间序列数据异常点检测方法，其特征在于，所述方法包括：

获取待检测的时间序列数据，所述时间序列数据包括多段子时间序列；

利用相关向量机计算所述时间序列数据中当前观测数据的预测概率分布；

基于计算出的当前观测数据的预测概率分布，利用贝叶斯框架判断当前观测数据是否为异常点，以得到所述时间序列数据中异常点位置和异常点概率值；

对所述时间序列数据中的每一段子时间序列中的异常点位置和异常点概率值分别进行合并处理，得到各段子时间序列对应的异常点位置和异常点概率值。

2.如权利要求1所述的时间序列数据异常点检测方法，其特征在于，所述获取待检测的时间序列数据，包括：

获取流程工业生产过程中预设工艺变量产生的实时原始时间序列数据集；

对所述实时原始时间序列数据集进行预处理，去除所述实时原始时间序列数据集中不符合预设要求的时间序列数据，以得到所述待检测的时间序列数据。

3.如权利要求2所述的时间序列数据异常点检测方法，其特征在于，所述对所述实时原始时间序列数据集进行预处理，去除所述实时原始时间序列数据集中不符合预设要求的时间序列数据，包括：

对所述实时原始时间序列数据集进行预处理，去除所述实时原始时间序列数据集中的不正确的时间序列数据和包含空值的不完整的时间序列数据。

4.如权利要求2所述的时间序列数据异常点检测方法，其特征在于，所述利用相关向量机计算所述时间序列数据中当前观测数据的预测概率分布，包括：

根据不同工艺变量所产生的时间序列数据，确定所述相关向量机中的核函数，以及选择预设的模型超参数，并为所述模型超参数建立预设的收敛标准；

对于所述时间序列数据中的当前观测数据，基于相关向量机，利用对应的历史时间序列数据迭代计算其预测概率分布的均值和方差来更新所述模型超参数，直至满足所述预设的收敛标准后，计算得到当前观测数据的预测概率分布。

5.如权利要求1所述的时间序列数据异常点检测方法，其特征在于，所述利用贝叶斯框架判断当前观测数据是否为异常点，包括：

为贝叶斯框架选择预设的惩罚函数，以及为选择的惩罚函数设置预设的超参数，以用来计算当前观测数据的异常点条件先验分布；

利用当前观测数据的预测概率分布和异常点条件先验概率分布，计算当前运行长度的后验概率分布，并根据后验概率分布确定当前可能的最大运行长度；

将所述当前可能的最大运行长度与前一时刻的最大运行长度对比，根据对比结果判断当前观测数据是否为异常点以及计算出异常点概率值。

6.如权利要求5所述的时间序列数据异常点检测方法，其特征在于，所述根据对比结果判断当前观测数据是否为异常点，包括：

若所述当前可能的最大运行长度小于前一时刻的最大运行长度，则判断当前观测数据为异常点；若所述当前可能的最大运行长度不小于前一时刻的最大运行长度，则判断当前观测数据不是异常点。

7.如权利要求5所述的时间序列数据异常点检测方法，其特征在于，所述计算出异常点概率值，包括：

通过计算当前异常点对应的最大后验概率分布来确定当前异常点概率值。

8.如权利要求1所述的时间序列数据异常点检测方法，其特征在于，对所述时间序列数据中的每一段子时间序列中的异常点位置和异常点概率值分别进行合并处理，得到各段子时间序列对应的异常点位置和异常点概率值，包括：

对当前子时间序列中的异常点概率值做均值或取最大值处理，得到所述当前子时间序列对应的异常点概率值；并取所述当前子时间序列中的最后一个异常点位置来表示所述当前子时间序列对应的异常点位置。