CN114386521B 时间序列数据的异常检测方法、系统、设备和存储介质 （湖南师范大学）

US2018330201A1,2018.11.15本申请涉及一种时间序列数据的异常检测口子序列；对每个滑动窗口子序列进行标量映可以解决工业过程中时间序列数据的异常检测2采集传感器产生的时间序列数据，对所述时间序列数据进行归一化据，所述传感器数据构成的所述时间序列数据组成应用窗口大小为w和步长为h的滑动窗口将所述时间序列数据划分为一组子序列对每个所述滑动窗口子序列进行标量映射，通过可学习的全连接构建异常检测模型，将所述滑动窗口子序列馈送到测试数据集映射回潜在空间来找到能反映测试数据集最优根据训练好的所述异常检测模型为新到来的待测试数据集生成采集处理模块，用于采集传感器产生的时间序列数据，对所述时间序时序表示模块，用于对每个所述滑动窗口子序列进行离线训练模块，用于构建异常检测模型，将所述滑动窗异常检测模块，用于根据训练好的所述异常检测模型为新到来3数据组成应用窗口大小为w和步长为h的滑动窗口将xzi"，通过对每个滑动窗口进行标量映射，使用一个可学习的全连接层将输入的算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1所述方法的步4述时间序列数据划分为滑动窗口子序列；[0011]获取N个传感器在Ttrain个时间步上的传感器数据，所述传感[0012]应用窗口大小为w和步长为h的滑动窗口将所述时间序列数据划分为一组子序列5其中是子序列的数量。层将输入的标量时间戳映射为dmodel维的嵌入，将所述滑动窗口子序列进行统一的输入表[0029]获取N个传感器在Ttrain个时间步上的传感器数据，所述传感[0030]应用窗口大小为w和步长为h的滑动窗口将所述时间序列数据划分为一组子序列6其中是子序列的数量。述时间序列数据划分为滑动窗口子序列；述时间序列数据划分为滑动窗口子序列；7层将输入的标量时间戳映射为dmodel维的嵌入，将所述滑动窗口子序列进行统一的输入表[0063]步骤104，根据训练好的所述异常检测模型为新到来的待测试数据集生成异常分[0064]具体地，本实施例基于Transformer的生成对抗网络架构多变量时序异常检测方建模和异常检测领域的应用提供全新的思路。Transformer神经网络允许数据单元之间直8[0065]在一个实施例中，如图2所示，对时间序列数据进行窗口划分的流程包括以下步[0067]步骤202，应用窗口大小为w和步长为h的滑动窗口将所述时间序列数据划分为一数据来训练模型。在每一个时间步t，传感器值形代表在时间步t上N个传感器的为一组多变量时间序列的子序列其中是子序列[0072]测试数据集也同样应用窗口大小为w和步长为h的滑动窗口。即将多变量时间序列划分为一组多变量时间序列的子序列其中9输入的标量时间戳的嵌入表示从N维映射为dmodel维；将所述标量映射的滑动窗口进行位置[0085]在一个实施例中，如图4所示，通过神经网络训练和生成异常检测模型的流程包[0087]步骤402，通过嵌入层、位置编码、编码器、解码器、输出层组成所述改进后的馈神经网络由两个全连接层组成，第一个全连接层包含Relu激活函数，第二个函数不含和前馈神经网络。所述编码器-解码器多头自注意力层由多个自注意力层和一个通用的线样具备能够区分伪造(即异常)数据与真实(即正常)数据到已经训练好的生成器来获得重构的原始样本G(Z1)。这里用Z1表示潜在空间第1轮次的最表示L2范数；[0114]进一步地，所述的基于Transformer的生成式对抗网络架构多变量时间序列异常表示L2范数；表示L2范数；表示L2范数；[0129]A()表示测试数据集第i个时间步的滑动窗口的异常得分；异常得分高于定义的异常阈值τ,则新到来的时间窗口被声明为异常。反之则被标记为正[0136]离线训练模块503，用于将所述滑动窗口子序列馈送到所述异常检测模型通过生[0137]异常检测模块504，用于根据训练好的所述异常检测模型为新到来的待测试数据[0139]获取N个传感器在Ttrain个时间步上的传感器数据，所述传感其中是子序列的数量。[0151]关于基于时间序列数据的异常检测系统的具体限定可以参见上文中对于时间序于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，述时间序列数据划分为滑动窗口子序列；[0160]获取N个传感器在Ttrain个时间步上的传感器数据，所述传感[0161]应用窗口大小为w和步长为h的滑动窗口将所述时间序列数据划分为一组子序列其中是子序列的数量。述时间序列数据划分为滑动窗口子序列；[0178]获取N个传感器在Ttrain个时间步上的传感器数据，所述传感其中是子