[发明专利]时间序列数据的异常检测方法、装置及计算机存储介质

权利要求书

1.一种时间序列数据的异常检测方法，其特征在于，包括：

获取时间序列监测数据；

提取所述时间序列监测数据的高频分量和低频分量；

利用第一预测模型基于所述高频分量进行预测处理，得到未来时序下数据的第一预测结果；

利用第二预测模型基于所述低频分量进行预测处理，得到所述未来时序下数据的第二预测结果；

对所述第一预测结果和所述第二预测结果进行叠加处理，得到所述未来时序下数据的目标预测结果；

根据所述目标预测结果，识别所述未来时序下真实数据中的异常点数据。

2.根据权利要求1所述的方法，其特征在于，所述提取所述时间序列监测数据的高频分量和低频分量，包括：

通过使用小波分析理论对所述时间序列监测数据进行多尺度分解重构，提取所述时间序列监测数据的高频周期性分量、高频随机性分量和低频趋势性分量；

其中，所述高频分量包括所述高频周期性分量和所述高频随机性分量，所述低频分量包括所述低频趋势性分量。

3.根据权利要求2所述的方法，其特征在于，所述通过使用小波分析理论对所述时间序列监测数据进行多尺度分解重构，提取所述时间序列监测数据的高频周期性分量、高频随机性分量和低频趋势性分量，包括：

获取所述时间序列监测数据的变形实测数据，所述变形实测数据为对所述时间序列监测数据清洗异常值后所得的数据；

将所述变形实测数据作为当前待分解数据；

基于小波分解，将当前待分解数据分解为低频部分和高频部分，得到当前待分解数据对应的低频分量和高频分量；

确定当前待分解数据对应的低频分量包含的低频子序列是否具备预设的变化趋势特征；

若是，结束对数据的分解处理；

若否，将待分解数据更新为当前待分解数据对应的低频分量，并循环至所述将当前待分解数据分解为低频部分和高频部分的步骤，直至当前待分解数据对应的低频分量包含的低频子序列具备所述变化趋势特征时，结束对数据的分解处理；分解过程中每一层仅对低频分量进行分解，高频分量不处理；

将分解结果中最后一层的低频分量提取为所述低频趋势性分量，并从各个层的高频分量中提取高频周期性分量和高频随机性分量。

4.根据权利要求2所述的方法，其特征在于，所述利用第一预测模型基于所述高频分量进行预测处理，得到未来时序下数据的第一预测结果，包括：

对所述高频随机性分量进行去噪处理；

将所述高频周期性分量和去噪处理后的高频随机性分量输入长短期记忆网络模型，由所述长短期记忆网络模型基于所述高频周期性分量和去噪处理后的高频随机性分量进行预测处理，得到未来时序下数据的第一预测结果。

5.根据权利要求4所述的方法，其特征在于，所述对所述高频随机性分量进行去噪处理，包括：

基于预设的阈值，对所述高频随机性分量进行去噪处理；

其中，所述阈值为σ₁＝MAD/0.6745，MAD表示首层小波分解系数绝对值的中间值，0.6745为高斯噪声标准方差的调整系数，N1表示高频随机性分量信号的尺寸或者长度。

6.根据权利要求4所述的方法，其特征在于，所述长短期记忆网络模型包括多个依次相连的记忆单元，所述记忆单元包括遗忘门、输入门和输出门；

其中，当前记忆单元通过对前一记忆单元传递的特征信息和当前记忆单元的高频分量输入数据进行融合处理得到当前记忆单元的产出信息，在进行融合处理时，当前记忆单元通过对输入的高频分量进行有选择的记忆和遗忘来处理前一记忆单元传递下来的特征信息；

经由依次相连的多个记忆单元分别对各自输入的高频分量及前一记忆单元传递的特征信息进行处理，实现在模型基于高频分量的预测处理；

前一记忆单元传递的特征信息包括所述前一记忆单元的状态值和输出值。