[发明专利]基于聚类算法和回声状态网络的异常消费行为检测方法

摘要

本发明涉及一种基于动态时间规整和回声状态网络时间序列预测的一卡通数据异常检测方法，通过加入基于动态时间规整的相关序列作为回声状态的输入序列，克服一卡通数据的随机噪声，提高回声状态网络预测的准确性，最终提高异常检测的准确度。

主权项

一种基于聚类算法和回声状态网络的异常消费行为检测方法，其特征在于，包括以下步骤：步骤一：确定相关时间序列采集范围、数据预处理和异常数据初步检测；步骤二：相关时间序列搜索，待训练时间序列与每条可能与之相关的时间序列执行动态时间规整算法，其相关性判断采用如下公式：（1）其中T和R是两个长度分别为M和N的时间序列，有：wk为相邻矩阵元素的集合称为弯曲路径，其由距离相异矩阵A确定：式中A中的元素Aij为两个时间序列点ti和rj之间的欧几里得距离；设定相关性阈值Jthreshold，当JDTW(T,Rq)< Jthreshold,q=1,…,Q,称待训练数据与第q个时间序列为相关性序列，否则为不相关时间序列；其中Q是采集的时间序列个数；步骤三：将预处理后的输入序列和输出序列送入到回声状态网络，储蓄池回声状态向量x(t)和输出向量y(t)模型如下:（2）式中Win和Wx分别为输入权值矩阵和储备池连接权值矩阵，它们是已知的；Wout为储备池输出连接矩阵，是唯一由需要训练求解的参数；时刻储备池内部状态向量x(t)由当前输入uin(t)和上一时刻状态x(t‑1)共同激发产生；输出权值使用最小二乘求解输出权值， 表示为:（3）式中是X的伪拟；步骤四：下一时刻的时间序列预测通过下式获取所述预测数据：（4）其中，为第时刻输入值，为第时刻预测数据，为估计的输出权值矩阵；步骤五：使用回声状态网络估计的预测值，计算其和真实值的差异，若超过设定阈值err，则判断为异常数据，否则判断为正常数据。