[发明专利]一种基于回归预测的KPI指标多元异常监测方法

权利要求书

1.一种KPI指标多元异常监测方法，其特征在于，包括如下方法：

对收集的KPI指标时间序列数据集进行数据预处理；

对通过数据预处理的KPI指标时间序列数集进行特征工程，从KPI指标时间序列数集中提取相关特征；所述相关特征包括：时间序列的时间特征、时间序列的统计特征、时间序列的拟合特征、以及时间序列的时域特征；

将提取的特征数据集输入所有预测算法类进行运算，得到多个对应各个KPI指标时间序列的异常预测值；

根据实际数据和多个异常预测值计算出多个异常度得分；

使用3-sigma准则对异常度得分进行异常监测和进行异常类型判断；

分别对多个异常度得分进行精度评估，筛选出最高得分，从而选取出最优异常监测方法组合；

根据所选取的最优异常监测方法组合进行KPI指标多元异常监测；

分别对多个异常度得分进行精度评估，根据多个异常度得分计算Precision和Recall、F1-Score计算公式如下：

其中，TP表示真正例；FP表示假正例；FN表示假反例；根据Precision和Recall的值计算度量AUC和PRAUC，该度量值在0-1范围之间且异常监测精度与度量值之间为正比例变化；

其中，所述异常度得分＝(实际值-预测值)/预测值。

2.根据权利要求1所述的一种KPI指标多元异常监测方法，其特征在于，在对收集的KPI指标时间序列数据集进行数据预处理时，分析数据集中各个KPI指标的周期性、趋势成分、以及KPI指标之间的相关性，并模拟所有异常类型进行人工标注和注入数据集中未标注的多元异常数据。

3.根据权利要求2所述的一种KPI指标多元异常监测方法，其特征在于，分析数据集的方法如下：

采用STL分解法对KPI指标时间序列中的周期性和趋势成分进行分析，获取数据集中蕴含的周期特征和趋势成分；

通过计算不同KPI指标之间的Pearson系数，判断不同KPI指标之间存在的相关性；

如果计算出来的KPI指标之间的Pearson系数在0.8-1.0范围内，则判断当前输入计算的两个KPI指标高度相关。

4.根据权利要求2所述的一种KPI指标多元异常监测方法，其特征在于，模拟所有异常类型进行人工标注和注入数据集中未标注的多元异常数据的方式包括：随机点标注、随机连续段标注、以及规则标注，通过对数据集进行人工异常注入及标注，让数据集中包含单点异常、短暂异常和持续异常，并限制异常数据不超过总数据的2％。

5.根据权利要求1所述的一种KPI指标多元异常监测方法，其特征在于，

从KPI指标数据中提取相关特征方法如下：

通过提取不同的特征，用以针对不同的预测算法，以及不同的异常类型；

在提取特征数据集后选择性地删除数据集中的KPI指标趋势成分。

6.根据权利要求5所述的一种KPI指标多元异常监测方法，其特征在于，删除数据集中的KPI指标趋势成分包括两种方式：加法删除和乘法删除；所述加法删除为实际数据减去趋势，乘法删除为实际数据除以趋势。

7.根据权利要求1所述的一种KPI指标多元异常监测方法，其特征在于，预测算法的种类包括：统计建模预测类、线性回归预测类、以及基于回归树的预测类。

8.根据权利要求1所述的一种KPI指标多元异常监测方法，其特征在于，所述异常类型包括：突降异常、突增异常、短时下降异常、短时上升异常、持续下降异常、持续上升异常、以及相关性变化异常。