[发明专利]基于变分自编码时序分解的时间序列异常检测方法和设备

权利要求书

1.一种基于变分自编码时序分解的时间序列异常检测方法，其特征在于，包括以下步骤：

S1、对时间序列进行分解，保留时间序列中与异常检测相关的部分；

S2、将分解后的时间序列划分为一组定长的子时间序列；

S3、利用训练集数据进行异常检测模型训练，所述异常检测模型为循环变分自编码器模型，模型的编码器部分和解码器部分的第一层神经网络处理层均为LSTM层，模型生成隐变量分布参数的处理层为RNN层，所述训练集为每个时刻的数据均为正常数据的子时间序列；

S4、利用异常检测模型对训练集中子时间序列进行重构，计算子时间序列中最后时刻数据的重构误差，并将其作为异常分数，保存训练集对应的异常分数，利用基于密度的异常阈值选择算法计算异常阈值；

S5、将待检测时间序列分解并划分为子时间序列，输入异常检测模型进行重构，计算异常分数，若异常分数大于异常阈值，则判断当前输入的子时间序列中的最后时刻数据存在异常。

2.根据权利要求1所述的基于变分自编码时序分解的时间序列异常检测方法，其特征在于，所述步骤S1包括：根据时间序列是否具有周期性，利用STL方法或HP滤波法对时间序列进行分解，其中针对具有周期性的时间序列，采用STL方法对时间序列进行分解；针对不具有周期性的时间序列，采用HP滤波法对时间序列进行分解。

3.根据权利要求2所述的基于变分自编码时序分解的时间序列异常检测方法，其特征在于，针对具有周期性的时间序列，分解公式如下：

其中x_t为时间序列t时刻的时序值，τ_t为时间序列经STL方法分解后t时刻趋势部分的时序值，s_t为季节性部分，r_t为剩余部分，保留剩余部分r_t并将其赋值给构成新的时间序列，用于后续的异常检测。

4.根据权利要求2所述的基于变分自编码时序分解的时间序列异常检测方法，其特征在于，针对不具有周期性的时间序列，分解公式如下：

HP滤波法将时间序列分解为两个组成部分：趋势部分τ_t和波动部分r_t，保留趋势部分τ_t并将其赋值给构成新的时间序列，用于后续的异常检测。

5.根据权利要求1所述的基于变分自编码时序分解的时间序列异常检测方法，其特征在于，所述步骤S2对时间序列的划分过程如下：

为分解后的时间序列，w为子时间序列的长度，长度为n的时间序列划分成n-w+1个子时间序列。

6.根据权利要求1所述的基于变分自编码时序分解的时间序列异常检测方法，其特征在于，所述步骤S3中的循环变分自编码器模型的目标函数如下：

其中，w为子时间序列的长度，t表示t时刻，mse表示均方误差；表示变分自编码器生成的时间序列第t-w+i个数据，表示原始时间序列第t-w+i个数据，β表示调整权重的超参数，KL表示计算两个高斯分布的KL散度，q_φ表示模型编码器部分，z_t-w+i表示隐变量z的第t-w+i个数据，表示已知时间序列数据的前提下隐变量z_t-w+i的条件概率分布，p(z_t-w+i)表示隐变量z_t-w+i的概率分布。

7.根据权利要求1所述的基于变分自编码时序分解的时间序列异常检测方法，其特征在于，所述步骤S4和S5异常检测中异常分数的计算过程如下：

D-R-VAE表示循环变分自编码模型，经过该模型对时间序列进行重构，重构的时间序列t时刻的时序值表示计算和的均方误差，as_t表示t时刻的异常分数。