CN118094423B 基于概念漂移自适应的时空数据在线异常检测方法及系统 （北京科技大学顺德创新学院）

基于概念漂移自适应的时空数据在线异常本发明提供一种基于概念漂移自适应的时空数据在线异常检测方法及系统，所述方法包概念漂移自适应算法调整异常检测模型进行更2设置检验窗口和自适应窗口；所述检验窗口用于检测实时接收的时空将特征提取后的历史时空数据转换成预设长度的窗口序列，输入采用均值和方差获取基本特征，采用相关向量和差分向量获取空间语将特征提取后的历史时空数据转换成长度为w的窗口序列，输入LSTM自编码器，通过根据重构序列和输入的窗口序列之间的重构误差，对LSTM自编码37.一种基于概念漂移自适应的时空数据在线异常检离线训练模块，用于利用历史时空数据对LSTM自编码器检测模块，用于利用更新的异常检测模型对时空数据进行异常存储器，所述存储器上存储有计算机可读指令，所述计算机可读9.一种计算机可读存储介质，其特征在于，所述计算4正常模式的移动对象，发现海量数据中隐藏的具有潜在危险性的行为模式变得越来越重5[0019]可选地，所述将特征提取后的历史时空数据转换成预设长度的窗口序列，输入[0025]之后，如果所述检验窗口中数据的精度持续下降到漂移阈值β,表示发生概念漂6[0034]如果t时刻时空数据的异常分数大于或等于t时刻的动态阈值tht，则标记为异常7[0047]图1是本发明实施例提供的一种基于概念漂移自适应的时空数据在线异常检测方[0048]图2是本发明实施例提供的一种基于概念漂移自适应的时空数据在线异常检测方[0051]图5是本发明实施例提供的一种基于概念漂移自适应的时空数据在线异常检测系[0054]考虑到时空数据的分布情况会随着时间和实际情况的变刻获取的m维数据，其中lont、latt表示数据的空间位置，态变化和非平稳的环境中学习和更新模型，使得模型可以捕获时空数据的趋势和潜在模[0057]如图1所示，本发明所述基于概念漂移自适应的时空数据在线异常检测方法包括线异常检测通常需要大量的时间和计算资源，而离线建模可以利用历史数据和先验知识，8和差分向量来获取其空间语义特征，其中corr,"表示数据点的第m维特征与其相邻点的第m维特征的皮尔森相关系数，dif,"表示数据点的第m维[0067]数据的空间地理位置是时空数据的重要属性，许多异常将空间地理位置的分类属性转换为低维实向量从而获取空间地[0068]One-hot编码是指使用N位的0或1对N个状态进行编码，每个状态都有独立的表示[0069](3)将特征提取后的历史时空数据转换成预设长度的窗口序列，输入LSTM自编码[0071]具体地，完成特征提取之后将历史时空数据序列转换成长度为w的窗口序列S=w]+bf)]+bi)9]+bo)以本发明将离线训练的异常检测模型用于在线异常检测时，通过判断是否发生概念漂移，[0087]之后，如果所述检验窗口中数据的精度持续下降到漂移阈值β,表示发生概念漂[0091]2)所述自适应窗口长度达到预设的最大值Lmax，从而保证异常检测实时性和内存[0095]如果t时刻时空数据的异常分数大于或等于t时刻的动态阈值tht，则标记为异常t＝0。态的概念漂移现象，通过概念漂移自适应算法调整模型进行更新以适应新的数据分布情[0106]为了更清晰的展示本发明所述基于概念漂移自适应的时空数据在线异常检测方[0115]AUC被定义为ROC曲线下与坐标轴围成的面积，由于ROC曲线一般都处于y＝x这条[0117]OAD-ACD方法进行在线异常检测的最主要目的是根据历史时空数据训练获得离线[0118]OAD-ACD方法进行在线异常检测前需要根据历史时空数据进行离线建模，获得异[0124]从表2可以看出，相对比其他五种算法以及基于LSTM自编码器的离线异常检测模和/或用于处理数据(例如计算机程序指令)的处[0147]需要说明的是，图6中示出的电子设备300的结构并不构算机软件产品存储在一个存储介质中，包括若干指令用以使得