[发明专利]时序数据的异常检测和参数填补的方法及装置

说明书

本公开涉及一种时序数据的异常检测和缺失填补的方法及装置。训练用于时序数据的异常检测和缺失填补的模型的方法包括：获取用户的时序数据，其中，所述时序数据包括异常的参数和缺失的参数；对时序数据进行预处理，以得到经预处理的时序数据、第一标记矩阵、第二标记矩阵和区域标签，其中，所述第一标记矩阵被配置为标记时序数据中的异常的参数和缺失的参数的位置，所述第二标记矩阵被配置为标记经预处理的时序数据的中的异常的参数和缺失的参数的位置，所述区域标签被配置为标记用户所位于的区域；以及基于经预处理的时序数据、第一标记矩阵、第二标记矩阵和区域标签，对模型进行训练。

技术领域

本公开总体上涉及人工智能领域，更具体地涉及一种时序数据的异常检测和参数填补的方法及装置。

背景技术

现有技术中，MR(Measurement Report，测量报告)数据的TA(Time Advanced，时间提前量)、RSRP(Reference Signal Receiving Power，参考信号接收功率)等参数在网络定位等应用中非常关键。由于MR数据在上报过程中易受设备、环境等因素影响，往往存在许多异常值和缺失值，严重影响依赖MR数据应用的效果。因此，有必要实现精准且鲁棒的MR关键参数的异常检测与缺失填补。

因为上报MR时用户是按定时连续上报的，所以在处理MR数据的异常值和缺少值时，可以考虑利用用户上报数据的这种时空连续关系来构造时序数据并进行进一步的处理。

目前，在针对时序数据的异常检测和缺失填补方法中，由于LSTM(Long ShortTerm Memory，长短期记忆网络)的时序记忆能力和GAN(Generative AdversarialNetworks，生成式对抗网络)的对抗式学习机制，两者相结合的方法具有天然的优势。现有技术中，这类方法在进行异常检测和缺失填补时往往相互独立进行：对于缺失填补，先将时序缺失值填充为预设值，再将填充预设值的时序及对应缺失掩膜序列输入生成器来预测缺失值；对于异常检测，首先将随机噪声输入生成器生成非正常样本，训练判别器尽量区分真实样本和生成样本，然后在异常检测时，先将判别器隐含层提取的时序特征，输入给生成器重构，求得重构误差，同时结合判别器输出的判别误差，求得最终整个时序的异常得分。

采用现有的时序异常检测与缺失填补方法处理MR关键参数时序时存在以下一些问题：

1)数据同时存在缺失值和异常值时，忽视异常值进行缺失填补会引入噪声，而从缺失处截断时序分别进行异常检测会损失时序结构信息，目前方法没有结合两者联合处理；

2)MR不同参数受许多不确定因素影响，数据时空分布不一致，潜在异常完全随机出现，目前方法无法按区域调整，且无法精准判断时序异常具体位置；

3)用户连续上报的MR时序存在不定长、非平稳、以及大都不完整问题，目前方法无法自适应性处理。

目前，现网MR数据丰富，根据MR上报的会话ID、基站ID、小区ID、时间戳等能够有效识别不同用户连续上报的MR时序，从而转化为对各用户不定长多变量时序数据进行处理，为根据数据时空分布和时序结构信息联合进行MR关键参数异常检测和缺失填补奠定基础。

发明内容

在下文中给出了关于本公开的简要概述，以便提供关于本公开的一些方面的基本理解。但是，应当理解，这个概述并不是关于本公开的穷举性概述。它并不是意图用来确定本公开的关键性部分或重要部分，也不是意图用来限定本公开的范围。其目的仅仅是以简化的形式给出关于本公开的某些概念，以此作为稍后给出的更详细描述的前序。