[发明专利]带有异常的时间序列数据生成方法、系统及存储介质

权利要求书

1.带有异常的时间序列数据生成方法，其特征在于，包括：

生成周期成分、噪声成分以及趋势成分，将上述各成分通过加性模型或乘性模型组合成正常的时间序列数据；

向正常的时间序列数据中注入异常，生成带有异常及异常标签的时间序列数据。

2.根据权利要求1所述的带有异常的时间序列数据生成方法，其特征在于，还包括将待评估检测算法在生成的带有异常及异常标签的时间序列数据上运行，并将待评估检测算法的性能得分统一进行排名，以衡量待评估检测算法的性能。

3.根据权利要求1所述的带有异常的时间序列数据生成方法，其特征在于，使用随机中点位移法生成周期成分。

4.根据权利要求3所述的带有异常的时间序列数据生成方法，其特征在于，生成周期成分，包含以下步骤：

(1)使用随即中点位移法生成单个周期的形状；

(2)通过随机中点位移分化法，根据第一个周期的形状来生成多个形状略有不同的周期。

(3)将每一个周期进行标准化，使其振幅为1，得到周期的表达式；

(4)根据用户指定的周期长度进行采样，对每个周期进行振幅和频率更改；

(5)将这些周期连接起来，形成完整的周期成分。

5.根据权利要求1至4中任一项所述的带有异常的时间序列数据生成方法，其特征在于，使用皮尔逊分布生成噪声成分。

6.根据权利要求5所述的带有异常的时间序列数据生成方法，其特征在于，使用线性或非线性函数生成趋势成分。

7.根据权利要求1、2、3、4或6所述的带有异常的时间序列数据生成方法，其特征在于，使用预定义的异常模式来生成异常，其中异常模式包括两类，加性异常和行为异常，其中加性异常通过加性模型注入到正常的时间序列数据中，而行为异常通过随机改变周期形状、长度，随机改变噪声的一到四阶中心矩的方式注入到正常的时间序列数据中。

8.根据权利要7所述的带有异常的时间序列数据生成方法，其特征在于，加性异常使用预先定义的形状模板生成，行为异常通过随机中点位移分化法以及皮尔逊分布系统生成。

9.根据权利要8所述的带有异常的时间序列数据生成方法，其特征在于，采用极值理论以保证生成的加性异常和行为异常的质量，即保证这些异常确实是异常；然后通过极值理论建立低概率边界，使加性异常落在低概率区域中，使行为异常落在非低概率区域中以保证注入异常的质量。

10.带有异常的时间序列数据生成系统，其特征在于，包括：

时间序列生成模块，包括周期生成器，噪声生成器、趋势生成器以及成分融合模块，周期生成器使用随机中点位移法生成周期成分；噪声生成器使用皮尔逊分布生成噪声成分；趋势生成器使用线性或非线性函数生成趋势成分；成分融合模块将周期成分、噪声成分和趋势成分通过加性模型或乘性模型组合成完整的时间序列数据；

异常注入模块，包括异常生成模块以及注入模块，异常生成模块使用预定义的异常模式来生成异常，其中异常模式包括两类，加性异常和行为异常；进一步地加性异常使用预先定义的形状模板生成，行为异常通过随机中点位移分化法以及皮尔逊分布系统生成；注入模块，负责将加性异常通过加性模型注入到正常的时间序列数据中，负责将行为异常通过随机改变周期形状、长度，随机改变噪声的一到四阶中心矩的方式注入到正常的时间序列数据中。

11.根据权利要求10所述的带有异常的时间序列数据生成系统，其特征在于，还包括基准评估模块，基准评估模块负责将待评估检测算法在生成的带有异常及异常标签的时间序列数据上运行，并将待评估检测算法的性能得分统一进行排名，以衡量待评估检测算法的性能。

12.一种存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1所述带有异常的时间序列数据生成方法的步骤。