[发明专利]一种基于变换分类的时间序列异常检测方法

权利要求书

1.一种基于变换分类的时间序列异常检测方法，其特征在于包括以下步骤：

步骤S1、首先输入正常的训练数据x₁,x₂,...,x_N，将其划分为训练集和验证集，然后对数据进行标准化和消除季节性与趋势性等预处理，返回处理后的数据x₁,x₂,...,x_N。

步骤S2、设置要进行的M种时序变换：T(,1),T(,2),...,T(,M)。

步骤S3、对训练集中每个训练样本进行第1种到第M种变换，例如对x_i，执行：T(x_i,1),T(x_i,2),...,T(x_i,M)。

步骤S4、通过将一个神经网络作为特征提取器f(x)，将每种变换后的数据集合映射到对应变换的带有中心c的超球体的特征空间中，通过优化三元中心损失，找到最优的特征提取器f(x)，以及每个变换对应超球体的中心c₁,c₂,...,c_M。

步骤S5、对于验证集中每个样本，设置分类器预测正确变换的概率，聚合M种变换的预测概率去计算异常分数。以最高的异常分数作为测试时的阈值。

步骤S6、输入要检测的测试数据作为测试集，其中包括正常数据和异常数据。

步骤S7、输入训练阶段返回的最优的特征提取器f(x)，以及每个变换对应的超球体的中心c₁,c₂,...,c_M。

步骤S8、输入所要进行的M种变换：T(,1),T(,2),...,T(,M)。和步骤S2的设置相同。

步骤S9、对测试样本进行所有的1至M种变换，例如对x_i，执行：T(x_i,1),T(x_i,2),...,T(x_i,M)。

步骤S10、通过步骤S5中的分类器，预测每个样本正确变换的概率，例如x做了第m种变换，则预测P(m|T(x,m))。

步骤S11、对于每个样本，聚合M种变换的预测概率去计算异常分数，然后将异常分数和训练阶段得到的阈值进行比较，大于阈值的样本则判定为异常。

2.根据权利要求一所述的一种基于变换分类的时间序列异常检测方法，其特征在于，所述步骤S1中，输入正常的训练数据，其具体过程为：

将训练数据划分为训练集合验证集，输入的数据可以是ECG数据、光热传感器数、轴承数据等多种领域的数据。

3.根据权利要求一所述的一种基于变换分类的时间序列异常检测方法，其特征在于，所述步骤S1中，对数据进行标准化等预处理，其具体过程为：

使用z-score标准化，设D为数据集，D的均值为，标准差为，如下所示：

标准化不等于归一化，归一化对异常点是敏感的，所以不适用于含有异常点数据的归一化。