CN114490156B 一种时间序列数据异常标记方法 （杭州电子科技大学）

本发明公开了一种时间序列数据异常标记2针对四种类型的时间序列分别设计了四种不同的异常标记方若时间序列被判定为以一天为周期的时间序列，则按照方法1的流程进行异常点的标出时间序列的离群值和部分上下文异常值；选取时间序列中所有0点时刻的数据然后使用N-sigma准则检测该序列的异常点；N-sigma准则中和同时刻N-sigma算法共同检测出的异常点作为差分数据最终序列p,令J为标签序列中t时刻的值，且je{0,1};差分的目的是为了找出不符合变3的上四分位数，得到分位数时间序列然后对分位数时间序列使用滑动窗口结合2.根据权利要求1所述的一种时间序列数据异常数据集在收集过程中会因为多种原因导致部分数据和日期缺失，43.根据权利要求2所述的一种时间序列数据异将序列进行快速傅里叶变换后的序列记为F，且将序列F中周期为一天和一周的频率标识为备选周期时间序列；自相关系数反映的是时间序列不同时间的相关程度，当自相关系数值在区间(0.6,列的周期长度分别为d和w，将滞后相位为一天时长d的自相关系数记为px,lag(xd)滞后相位为一周时长w的自相关系数记为pxiagxw同时令自相关系通过上式将时间序列分为周期时间序列和非周期时间序列；为了判别通过上式确定周期时间序列的周期大小；经过此步骤后时间序列可分将非周期时间序列分为多零的非周期序列和非多零的非周期序列非周期时间序列分为多零的非周期序列和非多零的非周期序列；4.根据权利要求3所述的一种时间序列数据异常标记方法，5若时间序列被判定为以一周为周期的时间序列，则需按照方法2的流程进行异常点的时间序列R,由于工作日和周末的数据特征表现不一样，需要将时间序列的所有工作日数据拼接在一块组合成工作日序列RW,将所有的周末数据拼接在一块组合成周末时间序列然后分别对序列和做异常标记；若时间序列被判定为非多零的非周期时间序列，则按照方法3的流程进行异常点的标对于序列若想判断某一点是否为异常值，需要使用该点前后长度为s1的窗口数据进行统计判断；对该窗口数据使6时间序列xmnean:首先判断序列是否为全零，若全零则代表原始算法去除当天离群点后再求该天均值，然后利用新的均值跟平均值时间序列的阈值作比两遍异常检测得到正向标记序列和反向标记序列7产生；数据产生主体的异常也会导致异常数据的产生(例如一个非正常工作的温度传感器[0003]随着各种业务数据规模的快速增加，时间序列异常标记也面临着越来越多的挑8[0017]采用移动加权平均(ExponentiallyWeightedMovingAverage，EWMA)算法对时序列标识为备选周期时间序列。[0023]步骤2.2，根据自相关系数判断备选[0024]自相关系数反映的是时间序列不同时间的相关程度，当自相关系数值在区间间序列的周期长度分别为d和w，将滞后相位为一天时长d的自相关系数记为滞后相位为一周时长w的自相关系数记为同时令自相关系数阈值为ρts，通过9式将非周期时间序列分为多零的非周期序列和非多零的非周期[0036]若时间序列被判定为以一天为周期的时间序列，则按照方法1的流程进行异常点标记出时间序列的离群值和部分上下文异常值。比如选取时间序列中所有0点时刻的数标签序列p,令为标签序列中t时刻的值，且差分的目的是为了找出不[0046]若时间序列被判定为以一周为周期的时间序列，则需按照方法2的流程进行异常对于时间序列R,由于工作日和周末的数据特征表现不一样，需要将时间序列的所有工作日数据拼接在一块组合成工作日序列RW,将所有的周末数据拼接在一块组合成周末时间序列然后分别对序列R,和做异常标记。取时间序列的离群值数据和上下文异常数据。[0050]若时间序列被判定为非多零的非周期时间序列，则按照方法3的流程进行异常点该点前后长度为s1的窗口数据进行统计判断。对该窗口数[0056]若时间序列被判定为多零的非周期时间序列，则按照方法4的流程进行异常点的[0059]对去除离群值后的时间序列进行重采样得到每天中位数时间序列和每[0068]本算法实施例的数据集为某电信运营商收集到的某些地数据每隔一小时进行采集，其数据包括关键性能指标数据(KPI)和通信系统用于对设备和续性的时间序列X。移动加权平均(ExponentiallyWeightedMovingAverage，EWMA)算法对时间序列进行选周期时间序列。[0085]步骤2.2，根据自相关系数判断备选[0086]自相关系数反映的是时间序列不同时间的相关程度，当自相关系数值在区间间序列的周期长度分别为d和w，将滞后相位为一天时长d的自相关系数记为滞后相位为一周时长w的自相关系数记为同时令自相关系数阈值为ρts，通过pxiag和ρts的比较确定备选周期序列是否为真正周期序列，其比较公式为：式将非周期时间序列分为多零的非周期序列和非多零的非周期[0098]若时间序列被判定为以一天为周期的时间序列，则按照方法1的流程进行异常点标记出时间序列的离群值和部分上下文异常值。比如选取时间序列中所有0点时刻的数判情况，将boxplot和同时刻N-sigma算法共同检测出的异常点作为差分数据最终的异常标签序列令为标签序列中t时刻的值，且je{0,1}。差分的目的是为了找出不上下文异常的数据会在t和t+1中出现一个正的、一个负的异常差分数据，若只检测[0108]若时间序列被判定为以一周为周期的时间序列，则需按照方法2的流程进行异常对于时间序列R,由于工作日和周末的数据特征表现不一样，需要将时间序列的所有工作日数据拼接在一块组合成工作日序列xw,将所有的周末数据拼接在一块组合成周末时间序列R,然后分别对序列和Rh做异常标记。取时间序列的离群值数据和上下文异常数据。[0112]若时间序列被判定为非多零的非周期时间序列，则按照方法3的流程进行异常点该点前后长度为s1的窗口数据进行统计判断。对该窗口数间序列中仍存在部分的离群值，这是因为检测这些离群值的窗口数据中含有[0119]若时间序列被判定为多零的非周期时间序列，则按照方法4的流程进行异常点的该点前后长度为s1的窗口数据进行统计判断。对该窗口数间序列中仍存在部分的离群值，这是因为检测这些离群值的窗口数据中含有较多异常值，[0123]对去除离群值后的时间序列进行重采样得到每天中位数时间序列Rmedian和每天均值时间序列首先判断xmedian序列是否为全零，若全零则代表原始时间序列站时间序列X按照公式(1)执行后便可得到归一化后的时间序列R,然后根据每一小时采集间序列X,最后根据公式(2)利用EWMA算法对序列X进行平滑处理从而得到平滑序列X,此实施例中将EWMA算法的加权下降速率系数[0128]图3为本申请的时间序列分类算法的流程图，对实施例基站数据进行可视化分析的自相关系数本实施例将自相关系数阈值ρts设置为0.6，根据公式(4)中[0129]图4为本申请以一天为周期时间序列的标记算法流程图，若基站时间序列被判定置为3.76，将流程(1.2)中的boxplot算法的k值设置为2.0。接着执行流程(1.4)和流程[0131]若基站时间序列被判定为以一周为周期的时间序列，该时间序列就会执行步骤3[0133]若基站时间序列被判定为非多零的非周期时间序列，该时间序列就会执行步骤3口的大小s1设置为168，N值设置为3.66。执行流程(3.2)，将滑动窗口长度设置为21，[0135]若基站时间序列被判定为多零的非周期时间序列，该时间序列就会执行步骤3中[0136]