CN115758273B 一种时序数据异常检测方法、装置、设备及介质 （紫金山实验室）

处理后的目标时序数据输入至训练后的嵌入网络中进行时间方向与信号方向的双视角数据嵌入以得到时间视角嵌入特征与信号视角嵌入特入特征输入至训练后的信号分解Transformer网标重建误差与目标分布距离对目标时序数据进2获取目标时序数据并对所述目标时序数据进行预处理，以得将所述预处理后的目标时序数据输入至训练后的嵌入网络中进行时间方向与信号方将所述目标数据嵌入特征输入至训练后的信号分解Transformer网络中以得到所述目根据所述目标特征表示确定目标预测误差、目标重建误差与目标分其中，所述将所述目标数据嵌入特征输入至训练后的信号分解Transformer网络中以将所述目标数据嵌入特征输入至训练后的信号分解Transformer网络中以得到目标周标趋势分量特征与所述目标剩余分量特征相加以得到所述目标时序数据对应的目标特征所述将所述目标数据嵌入特征输入至训练后的信号分解Transformer网络中以得到目将所述目标数据嵌入特征输入至训练后的信号分解Transformer网络中并通过所述信号分解Transformer网络中的预设数量的分解层中的频域注意力在所述目标数据嵌入特征中去除所述周期分量特征以得到第一述第一剩余分量特征输入至所述分解层中的多头注意力模块中得到趋在所述第一剩余分量特征中去除所述趋势分量特征以得到第二述第二剩余分量特征输入至所述分解层中的Feed_forward模块中得到剩将所述剩余分量特征作为下一个所述分解层的输入直到通过所有所述分解层处理完余分量特征分别进行通道融合以得到目标周期分量特征与目获取目标时序数据并对所述目标时序数据进行归一化，以得将所述归一化后的目标时序数据在时间方向进行一维卷积将所述预处理后的目标时序数据输入至训练后的嵌入网络中，针对3针对所述目标时序数据的时间窗口中的每个时间点对所有信号在所述时间点的值进将所述目标特征表示分别输入至训练后的预测网络、重建网根据所述目标预测误差、所述目标重建误差与所述目标分布距离预处理模块，用于获取目标时序数据并对所述目标时序数据进行预数据嵌入模块，用于将所述预处理后的目标时序数据输入至训时间方向与信号方向的双视角数据嵌入，以得到时间视角嵌入特征与信号视角嵌入特征，然后将所述时间视角嵌入特征与信号视角嵌入特征进行融合特征确定模块，用于将所述目标数据嵌入特征输入至训练后的信号分解Transformer异常判定模块，用于根据所述目标特征表示确定目标预测误周期分量特征确定单元，用于将所述目标数据嵌入特征输入至训练后的信号分解Transformer网络中并通过所述信号分解Transformer网络中的预设数量的分解层中的频趋势分量特征确定单元，用于在所述目标数据嵌入特征中去除所述剩余分量特征确定单元，用于在所述第一剩余分量分量特征融合单元，用于将所述剩余分量特征作为下一趋势分量特征与所述剩余分量特征分别进行通道融合以得到目标周期分量特征与目标趋4处理器，用于执行所述计算机程序，以实现如权利要求1至5任一项所序被处理器执行时实现如权利要求1至5任一项所述的时序数据5面对各种各样的工业级场景时，基于机器学习的自动化时间序列异常检测方法尤为重要。于循环神经网络和序列重建的方法是采用了循环神经网络中的一种LSTM作为特征的编码进行时序数据异常检测时提升准确度与训练推理速度并提升模型的泛化能力的问题有待6质，能够在进行时序数据异常检测时提升准确度与训练推理速度并提升模型的泛化能力。[0007]将所述预处理后的目标时序数据输入至训练后的嵌入网络中进行时间方向与信间视角嵌入特征与信号视角嵌入特征进行融合以[0008]将所述目标数据嵌入特征输入至训练后的信号分解Transformer网络中以得到所[0015]针对所述目标时序数据的时间窗口中的每个时间点对所有信号在所述时间点的[0016]可选的，所述将所述目标数据嵌入特征输入至训练后的信号分解Transformer网[0017]将所述目标数据嵌入特征输入至训练后的信号分解Transformer网络中以得到目述目标趋势分量特征与所述目标剩余分量特征相加以得到所述目标时序数据对应的目标[0018]可选的，所述将所述目标数据嵌入特征输入至训练后的信号分解Transformer网[0019]将所述目标数据嵌入特征输入至训练后的信号分解Transformer网络中并通过所述信号分解Transformer网络中的预设数量的分解层中的频域注意力模块得到周期分量特将所述第一剩余分量特征输入至所述分解层中的多头注意力模块中得到7[0022]将所述剩余分量特征作为下一个所述分解层的输入直到通过所有所述分解层处述剩余分量特征分别进行通道融合以得到目标周期分量特征与目标趋势[0027]如果所述目标误差大于所述预设误差阈值，则判定所述目标时序数据为异常数征，然后将所述时间视角嵌入特征与信号视角嵌入特征进行融合以得到目标数据嵌入特Transformer网络中以得到所述目标时序数据对应所述计算机程序被处理器执行时实现前述公开的所述的时序数据异常检测方标数据嵌入特征，将所述目标数据嵌入特征输入至训练后的信号分解Transformer网络中8够在进行时序数据异常检测时提升准确度与训练推理速度并提升模型的泛9申请提供了一种时序数据异常检测方法能够在进行时序数据异常检测时提升准确度与训练推理速度并提升模型的泛化能力的问题有待进一化后的目标时序数据在时间方向上进行卷积操作，卷积步长为1，在一种具体的实施方式[0053]步骤S12：将所述预处理后的目标时序数据输入至训练后的嵌入网络中进行时间将所述时间视角嵌入特征与信号视角嵌入特征进行融合以得到目标征与信号视角嵌入特征进行融合以得到目标数据嵌入特征。其中，所述嵌入网络即视角嵌入特征通道叠加后接一个1×1的卷积以保持所述时间视角嵌入特征与所述信号视[0056]在本实施例中，将所述目标数据嵌入特征输入至训练后的信号分解Transformer嵌入特征获取对应的目标特征表示，以便于后续根据所述目标特征表示确定目标预测误征与所述信号视角嵌入特征进行融合，以得到目标数据嵌入特征，进一步通过信号分解提升准确度与训练推理速度并提升模型的泛化[0062]步骤S22：将所述预处理后的目标时序数据输入至训练后的嵌入网络中进行时间征，然后将所述时间视角嵌入特征与信号视角嵌入特征进行融合以得到目标数据嵌入特述目标时序数据的时间窗口中的每个时间点对所有信号在所述时间点的值进行扩张因果中仅画出了3层因果卷积。最后采用直接相加或通过通道叠加和卷积的方式对双视角的结[0065]在本实施例中，在本实施例中，将所述目标数据嵌入特征输入至训练后的至训练后的信号分解Transformer网络中并通过所述信号分解Transformer网络中的预设特征以得到第二剩余分量特征，并将所述第二剩余分量特征输入至所述分解层中的Feed_forward模块中得到剩余分量特征；将所述剩余分量特征作为下一个所述分解层的输入直的所述趋势分量特征与所述剩余分量特征分别进行通道融合以得到目标周期分量特征与[0066]在本实施例中，所述DecomposedTransformer(信号分解Transformer)是在标准同、级联连接的分解层(decomposelayer)。所述分解层，是一个基于多头注意力模块述的Multi_headAttention和Feed_forward是Transformer网络中的已有网络模块。该分述分量合并是指首先将n个分量特征图进行通道融合(周期分量特征、趋势分量特征和剩余分量特征，每个分解层由FrequencyAttention、Multi_headAttention和Feed_Forward三个模块组成，其中FrequencyAttention用于计算周期分量特征，本实施例提供的两种频域注意力模块(FrequencyAttention)模块网络结构图如图4所示，两种频域注意力模块均是在多头注意力模块(Multi_headAttention)基础上进行改造实现。图4中，虚框包围部分是标准的多头注意力模块(Multi_headAttention)的网络结构，主要流程是Q，V，K分别首先进行线性变换(linear)，然后通过并增加了两个残差连接(residual)来防止过拟合，图4(b)是将这三个计算步骤插入到V的计算过程中，同时也增加了一个残差连接(residual)来防止过拟合。Multi_headMulti_headattention)进行特征提取操作完成周期分量特征提取；原始输入去除周期分量特征后，通过多头注意力层提取趋势分量特征，标预测误差、所述目标重建误差与所述目标分布距离对所述目标时序数据进行异常判定，然后学习当前时刻数据到超球体中心的距离分布。根据上述三个结果分别计算预测误差、过信号分解Transformer网络确定目标特征表示，根据所述目标特征表示确定目标预测误时序数据异常检测网络结构图如图6所示，涉及了从输入到输出的全流程功能模块和数据[0077]特征确定模块13，用于将所述目标数据嵌入特征输入至训练后的信号分解Transformer网络中以得到所述目标时序数据对应征与所述信号视角嵌入特征进行融合，以得到目标数据嵌入特征，进一步通过信号分解[0082]卷积单元，用于将所述归一化后的目标时序数据在时间输入至训练后的信号分解Transformer网络中以得到目标周期分量特征、目标趋势分量特剩余分量特征相加以得到所述目标时序数据对应的目标Transformer网络中并通过所述信号分解Transformer网络中的预设数量的分解层中的频以得到第二剩余分量特征，并将所述第二剩余分量特征输入至所述分解层中的Feed_所述趋势分量特征与所述剩余分量特征分别进行通道融合以得到目标周期分量特征与目[0097]图9所示为本申请实施例提供的一种电子设备20。该电子设备20，具体还可以包[0100]其中，操作系统221用于管理与控制电子设备20上的各硬件设备