[发明专利]时间序列异常检测

说明书

在示例性实施例中，机器学习模型被训练以专门识别时间序列数据中的异常点。所述模型能够被同时地并行应用于许多不同的时间序列，从而允许针对大规模在线网络的可扩展的解决方案。所述模型在指定的时间窗口内对每个数据点进行分类，并且为下游应用输出丰富的上下文信息，诸如对异常数据点的排名和显示。

相关申请的交叉引用

本申请涉及Songtao Guo、Robert Perrin Reeves、Bo Yang、Wan Qi Gao、WilliamTang、Patrick Ryan Driscoll、Shan Zhou、Taylor Shelby Burfield和AdrianaDominique Meza与本申请在同一天同时提交的题为“TIME SERIES ANOMALY RANKING”的申请，其全部内容通过引用并入本文。

技术领域

本公开总体涉及机器学习中遇到的技术问题。更具体而言，本公开涉及时间序列异常检测。

背景技术

互联网的兴起引起了两种不同但是相关的现象：在线网络的存在增加，其中，其对应的用户简档对大量人员可见；以及使用这些在线网络提供内容的增加。在线网络能够收集和跟踪关于各种实体(包括组织和公司)的大量数据。例如，在线网络能够跟踪从一家公司转移到另一家公司的用户，并且因此，总体而言，这些在线网络能够确定例如在特定时间段内有多少用户离开了特定公司。额外的细节可能是已知的和/或被添加到这些类型的度量，诸如用户离开公司去了哪些公司，以及在相同时间段期间有多少用户加入了特定公司。另外，存在在线网络可以确定关于用户可能感兴趣的这些公司的许多其他度量。

然而，在确定如何处理该信息时出现问题。存在太多潜在度量和针对所述度量的值，以至于难以确定向用户传达哪个度量/值可能更重要。

在大型在线网络的上下文中出现了额外的技术问题。具体而言，当处理大型在线网络时，待分析的数据量是巨大的。这样，任何潜在的解决方案将都需要可扩展以在大型在线网络中操作。

附图说明

通过示例而非限制的方式，在附图的图中图示了本技术的一些实施例。

图1是图示了根据示例性实施例的客户端-服务器系统的框图。

图2是示出了与本公开的一些实施例一致的在线网络的功能组件的框图，包括在本文中被称为搜索引擎的数据处理模块，以用于生成和提供针对搜索查询的搜索结果。

图3是更详细地图示出根据示例性实施例的图2的应用服务器模块的框图。

图4是图示了根据示例性实施例的时间序列中的模型拟合窗口和预测窗口的图。

图5是更详细地图示出根据示例性实施例的异常检测器的框图。

图6是根据示例性实施例的过滤和分解的示例。

图7是图示了根据示例性实施例的GUI的洞察屏幕的屏幕截图。

图8是图示了根据示例性实施例的GUI的异常报告屏幕的屏幕截图。

图9是图示了根据示例性实施例的训练和使用机器学习模型的方法的流程图。

图10是图示了根据示例性实施例的软件架构的框图。

图11图示了根据示例性实施例的计算机系统形式的机器的图解表示，在所述计算机系统内可以执行指令集合以使得所述机器执行在本文中所讨论的方法中的任意一种或多种方法。

具体实施方式

概述

本公开描述了个体地提供各种功能的方法、系统和计算机程序产品等。在以下描述中，出于解释的目的，阐述了许多具体细节以便提供对本公开的不同实施例的各个方面的透彻理解。然而，对于本领域技术人员而言将显而易见的是，可以在没有所有具体细节的情况下实践本公开。