[发明专利]一种物联网时序数据异常检测方法及系统

说明书

本发明公开了一种物联网时序数据异常检测方法及系统。所述方法包括：获取待测试的物联网时序数据；对待测试的物联网时序数据进行划分得到待测试时间序列数据段集；将待测试时间序列数据段集输入至训练好的半监督自编码模型中得到检测结果；训练好的半监督自编码模型是以无标记的物联网时序数据、有标记的物联网时序数据待训练的物联网时序数据为输入，以对应的类标签为输出，以损失函数最小为目标对基于LSTM和注意力机制的半监督自编码器模型进行训练得到的。本发明能在提高时序数据异常检测的准确度的同时，降低成本。

技术领域

本发明涉及时序数据检测领域，特别是涉及一种物联网时序数据异常检测方法及系统。

背景技术

随着各种领域数字化的普及，许多配备传感器的设备产生了大量的时间数据，形成时间序列。这类时间序列产生广泛，在许多应用领域都有应用，如金融、生物、交通和医疗保健等。在各种领域，如预测性维护、入侵检测、防欺诈、云平台监控与管理等许多现实应用中，时间序列的异常检测是必需的。

时间序列异常检测的研究由来已久。然而，由于时间序列在真实环境下的多样化、时间序列标注标签的高成本等原因，传统算法都无法获得令人满意的有效性与泛用性。随着近年来深度学习技术的不断进步，相较于传统算法，深度学习可以更好地学习到时间序列数据中的空间、时间依赖性，更加适合处理时间序列的异常检测问题。

在物联网时序数据异常检测时，通常采用无监督的时序数据异常检测方法和有监督的时序数据异常检测方法。自编码器算法是时间序列异常检测的一个常用无监督算法。自编码器算法使用只包含正常样本的训练数据进行模型训练，学习了正常样本的概率分布，并对此模型下测试样本的似然性进行阈值划分，将测试样本分类为正常或异常。考虑到时间序列数据之间的时间依赖性，具有记忆性的循环神经网络(RNN)成为了学习时间序列数据分布的更优选择。大数据时代的到来，由于RNN在长时间依赖问题上存在的缺陷，解决了长时间依赖问题的长短期记忆人工神经网络(LSTM)算法成为了最佳选择。基于LSTM的自编码器通过编码器将训练数据压缩成潜在空间表征，然后通过解码器将表征结合注意力机制重构为输出。通过计算重构输出与原始数据之间的重构误差，将其与设定的阈值进行比较，来对数据进行分类。对于无监督的时序数据异常检测方法，目前有大量的研究，但是无监督算法在指标方面通常不令人满意，存在准确率和召回率不平衡的问题。虽然有监督算法能够获得更好的性能指标，但是其需要大量的有标签数据，在大数据背景下成本过大，在实际应用中适用性不高。基于此，亟需一种检测准确性高、成本低的物联网时序数据异常检测方法出现。

发明内容

基于此，有必要提供一种物联网时序数据异常检测方法及系统，以在提高时序数据异常检测的准确度的同时，降低成本。

为实现上述目的，本发明提供了如下方案：

一种物联网时序数据异常检测方法，包括：

获取待测试的物联网时序数据；

对所述待测试的物联网时序数据进行划分得到待测试时间序列数据段集；

将所述待测试时间序列数据段集输入至训练好的半监督自编码模型中，得到检测结果；所述训练好的半监督自编码模型是以待训练的物联网时序数据为输入，以对应的类标签为输出，以损失函数最小为目标对基于LSTM和注意力机制的半监督自编码器模型进行训练得到的；所述待训练的物联网时序数据包括无标记的物联网时序数据和有标记的物联网时序数据。

可选的，所述将所述待测试时间序列数据段集输入至训练好的半监督自编码模型中，得到检测结果，具体包括：

将所述待测试时间序列数据段集输入至训练好的半监督自编码模型中，得到待测试时间序列数据段集的重构数据；

基于所述重构数据，计算所述待测试时间序列数据段集中各待测试时间序列数据段的重构误差；