[发明专利]一种基于时序多变量数据的模式提取与演化可视分析方法

说明书

本发明涉及数据可视化与可视分析领域，目的是提供一种基于时序多变量数据的模式提取与演化可视分析方法，包含下列步骤：S1：将待处理的数据样本点进行处理，建立时序多变量数据集合，通过异常检测算法筛选出常规点和异常点，执行步骤2；S2：对常规点通过常规模式提取，对异常点通过异常模式下选择，执行步骤3；S3：通过可视分析系统PEVis建立多个相互联动视图，通过前端交互进行展示，在保持数据中模式与异常的时间一致性基础上，设计新颖的可视化表达方案，帮助用户直观感知常规模式和异常事件的演化规律。

技术领域

本发明涉及数据可视化与可视分析技术领域，具体涉及一种基于时序多变量数据的模式提取与演化可视分析方法。

背景技术

随着城市信息化的不断完善和大数据时代的来临，社会发展与人类生活产生的数据被广泛记录与收集。多变量数据是一种十分常见的数据类型，其数据样本拥有多个属性特征，譬如包含多种指标的环境监测数据，包含多种信息的个人档案等等，通常包含多个特征变量，并随时间不断变化，被称为时序多变量数据，分析时序多变量数据中蕴含的潜在模式能够从很大程度上反映现实世界中事物的变化规律。

此外，在反作弊、伪基站、金融诈骗等领域，专家则更关注于时序多变量数据中的异常现象，这能帮助他们更好地理解可疑行为，提高金融系统的安全性和稳健性。然而，数据变量之间存在复杂的关联关系及时序变化的特点，导致重要特征难以跟踪和分析，用户难以对其进行理解及比较，信息认知面临较大的挑战。

现有的公开专利中，CN202010230486.3，专利名称为基于经验模态分解和前馈神经网络对时序数据的预测方法，由对数据集缺失值处理、独热编码处理、主成分分析方法降维、经验模态分解、数据标准化处理、前馈神经网络训练、对测试集测试步骤组成。该发明采用了主成分分析方法降维和经验模态分解方法，通过降维减少预测变量的个数，得到的数据包含了原始数据的大部分信息，保证降维后得到的数据中每个变量不包含重复的原始数据信息，在前馈神经网络训练时，用本征模函数代替原始时序数据进行训练，输入降维后的数据集，减少了变量个数，获得了准确的结果，训练时间大幅度减少，可用于对时序数据预测。

上述的方法是将不同时间片的数据一起降维到同一空间，但是由于数据规模过大，导致计算效率低下，而且不同时间片之间的冗余信息会降低分析精度。另外一种做法是将不同时间片上的数据单独降维，但会导致不同时间片的数据点属于不同空间，结果难以比较。因此，目前尚缺乏一种能够处理时变特征的降维方法，为分析时序多变量数据中的模式和异常奠定基础。

发明内容

本发明的目的在于克服现有技术的不足，提出了一种基于时序多变量数据的模式提取与演化可视分析方法，包括潜在模式提取与异常检测，时序多变量数据演化规律的感知策略以及针对时序多变量数据的交互式可视分析系统。

通过以下技术方案来实现的：一方面，包含下列步骤：

S1：将待处理的数据样本点进行处理，建立时序多变量数据集合，通过异常检测算法筛选出常规点和异常点，执行步骤2；

S2：对常规点通过常规模式提取，对异常点通过异常模式下选择，执行步骤3；

S3：通过可视分析系统PEVis建立多个相互联动视图，通过前端交互进行展示。

优选的，所述S1，时序多变量实例X是一个向量序列，

X＝[x₁,x₂,...,x_T]∈R^D×T，

其中，D是时序多变量实例中的变量个数，T是时间片长度，时序多变量数据是由多个时序多变量实例组成的集合，其中X_i是一个时序多变量实例，N是数据集中实例的个数，其中，表示为一个具有实例轴、属性轴和时间片轴的3D数组，