[发明专利]异常识别方法、装置、计算机设备及计算机可读存储介质

权利要求书

1.一种异常识别方法，其特征在于，包括：

获取至少一个数据采集设备采集到的数据作为待识别数据；

同时或分别基于时间序列、神经网络模型对所述待识别数据进行识别，所述时间序列用于识别所述待识别数据随时间变化的趋势，所述神经网络模型采用所述至少一个数据采集设备在历史时间段内上传的未发生异常的数据构建，其中，基于所述时间序列进行识别时，利用纵向时间序列的特征对所述待识别数据的单维特征变化进行同比或环比计算，确定所述待识别数据是否存在异常；

当基于所述时间序列确定所述待识别数据随时间变化的趋势符合预设条件且基于所述神经网络模型识别确定所述待识别数据的误差值满足误差阈值时，获取特征识别模型，匹配至少一个数据采集设备绑定的用户的基本属性信息；

采用所述特征识别模型以及所述基本属性信息对所述待识别数据进行特征识别，得到至少两个识别结果；

根据所述至少两个识别结果，输出所述待识别数据的数据异常概率。

2.根据权利要求1所述的方法，其特征在于，所述获取至少一个数据采集设备采集到的数据作为待识别数据之前，所述方法还包括：

获取所述至少一个数据采集设备在所述历史时间段内上传的多个历史数据，在所述多个历史数据中提取对应的数据异常概率指示未发生异常的多个历史数据作为多个样本数据；

采用深度学习算法对所述多个样本数据进行编译，得到多个样本编码；

对所述多个样本编码进行反编译，确定用于指示未发生异常的编码方式；

基于多层感知器对所述编码方式进行训练，得到多个第一输出值，以及采用分类器对所述多个第一输出值进行逻辑回归训练，得到所述神经网络模型，以及每隔更新周期，重新获取多个新的样本数据，基于所述多个新的样本数据对所述神经网络模型进行更新。

3.根据权利要求2所述的方法，其特征在于，所述获取所述至少一个数据采集设备在所述历史时间段内上传的多个历史数据，在所述多个历史数据中提取对应的数据异常概率指示未发生异常的多个历史数据作为多个样本数据之后，所述方法还包括：

在所述多个样本数据中提取视频图像类的指定样本数据，对所述指定样本数据进行图像特征提取，得到多个样本图像特征；

采用深度学习算法对所述多个图像特征进行编译，得到多个特征编码，以及对所述多个特征编码进行反编译，得到用于指示视频图像数据未发生异常的多个视频图像编码方式；

基于多层感知器对所述多个视频图像编码方式进行训练，得到多个第二输出值，以及采用分类器对所述多个第二输出值进行逻辑回归训练，将训练得到用于识别视频图像类数据是否存在异常的数据模型作为所述特征识别模型。

4.根据权利要求2所述的方法，其特征在于，所述获取所述至少一个数据采集设备在所述历史时间段内上传的多个历史数据，在所述多个历史数据中提取对应的数据异常概率指示未发生异常的多个历史数据作为多个样本数据之后，所述方法还包括：

分别确定上传所述多个样本数据中每个样本数据的数据采集设备，将由同一数据采集设备上传的传感器类的样本数据划分至同一组，得到至少一个第一数据组；

对所述至少一个第一数据组中每个第一数据组进行以下处理：确定所述第一数据组的数据属性对应的数据期望值，统计所述第一数据组中每个样本数据的取值与所述数据期望值之间的样本误差值，得到所述数据组的多个样本误差值，以及采用所述数据属性对所述多个样本误差值进行标注；

获取所述至少一个第一数据组中每个第一数据组对应的多个样本误差值组成训练集，以及采用误差逆向传播算法对所述训练集进行训练，将训练得到的用于识别传感器类数据是否存在异常的数据模型作为所述特征识别模型。