[发明专利]一种基于LSTM的水处理时序数据异常检测方法

权利要求书

1.一种基于LSTM的水处理时序数据异常检测方法，包括如下步骤：

S1.获取用于训练模型的时序数据序列；

S2.对步骤S1获取的时序数据序列进行数据预处理操作，从而得到训练数据集；

S3.构建基于LSTM的无监督模型；

S4.采用步骤S2得到的训练数据集，对步骤S3构建的基于LSTM的无监督模型进行训练，从而得到时序数据异常检测模型；

S5.采用步骤S4得到的时序数据异常检测模型，对待分析的水处理时序数据序列进行检测，从而实现时序数据的异常检测。

2.根据权利要求1所述的一种基于LSTM的水处理时序数据异常检测方法，其特征在于步骤S2所述的对步骤S1获取的时序数据序列进行数据预处理操作，从而得到训练数据集，具体为采用如下步骤得到训练数据集：

A.获取时序数据序列；

B.对步骤A获取的时序数据序列，删除缺失数据和不相关维度的数据，并进行min-max标准化处理，从而将数据值转换到[0,1]区间；

C.针对处理后的数据，将60％的数据作为训练集，40％的数据作为测试集，且保证训练集均为正常数据，测试集中包括10％的异常数据。

3.根据权利要求1所述的一种基于LSTM的水处理时序数据异常检测方法，其特征在于步骤S3所述的构建基于LSTM的无监督模型，具体为采用如下步骤构建模型：

a.采用没有窥孔连接的LSTM框架，并引入门控递归单元架构；遗忘门、输入门和输出门均采用Sigmoid函数作为激活函数；在生成候选记忆时，采用双曲正切函数tanh作为激活函数；最后初始化神经元元个数以及神经元的初始状态，构建LSTM网络模块；

b.设定隐藏层的维度，从而保证LSTM网络模块的输出层的维度低于输入层的维度；

c.针对LSTM网络模块的输出结果，采用Mean-Pooling机制融合各个神经元节点的结果信息，并取LSTM网络模块中每个神经元的输出的平均值作为SVDD模块的输入；

d.将SVDD模块的输入数据从原始空间映射到特征空间，并在特征空间中找到一个体积最小的超球体；所述超球体的内部仅包含正常数据，并将异常数据保留在超球体外部。

4.根据权利要求3所述的一种基于LSTM的水处理时序数据异常检测方法，其特征在于步骤a所述的初始化神经元元个数以及神经元的初始状态，具体为LSTM网络模块的隐藏层神经元个数为256个，dropout比率为0.85，为了防止在后面的训练过程中SVDD的超球面出现坍塌情况，设置LSTM网络模块的权重参数向量为w^(·)Tw^(·)＝I，网络单元的偏置项b^(·)为0向量；其中w^(·)为LSTM网络的权重向量；b^(·)为LSTM网络的偏置向量。

5.根据权利要求4所述的一种基于LST、M的水处理时序数据异常检测方法，其特征在于步骤b所述的设定隐藏层的维度，具体为采用单个隐藏层。

6.根据权利要求5所述的一种基于LSTM的水处理时序数据异常检测方法，其特征在于步骤d所述的SVDD模块，具体为采用如下模型作为SVDD模块的优化问题：

式中R为体积最小的超球体所对应的半径；α为球体的中心点；v为控制因子，用于控制惩罚因子和球体体积之间的平衡关系，且v∈(0,1]；n为数据点的个数；ε_i为松弛变量；φ(x_i)为观测数据x_i在特征空间的映射；||||为诱导范数表示符。