[发明专利]多元KPI时间序列的检测方法、装置、设备及存储介质

权利要求书

1.一种多元KPI时间序列的检测方法，其特征在于，包括：

根据预置切分策略和待训练的多元KPI时间序列，确定对应的待训练的多段子多元KPI时间序列，其中，所述待训练的子多元KPI时间序列为无标签；

根据所述待训练的子多元KPI时间序列训练预置模型，生成对应的确定性模型；

获取待检测的多元KPI时间序列；

根据所述待检测的多元KPI时间序列和所述确定性模型，获取所述待检测的多元KPI时间序列中待检测数值的重建概率值；

根据预置阈值和所述待检测数值的重建概率值，确定所述待检测数值对应的时刻是否为异常点。

2.如权利要求1所述的多元KPI时间序列的检测方法，其特征在于，所述根据所述待训练的子多元KPI时间序列训练预置模型，生成对应的确定性模型，包括：

将所述待训练的子多元KPI时间序列输入所述预置模型，提取所述待训练的子多元KPI时间序列中的数值；

根据预置编码程序对所述数值进行编码，获取所述数值的第一高斯分布和第一辅助变量；

根据预置解码程序对所述第一辅助变量进行解码，得到所述数值对应的第二高斯分布；

根据所述第一高斯分布和第二高斯分布训练所述预置模型的损失函数，生成对应的确定性模型。

3.如权利要求2所述的多元KPI时间序列的检测方法，其特征在于，所述预置编码程序包括第一预置神经网络模型和第一全连接层，所述根据预置编码程序对所述数值进行编码，获取所述数值的第一高斯分布和第一辅助变量，包括：

根据所述数值和第一预置神经网络模型，得到所述第一预置神经网络模型的第一隐藏变量；

根据第一预置全连接层和所述第一隐藏变量，得到所述数值对应的第一高斯分布；

基于所述第一高斯分布得到所述数值的第一辅助变量。

4.如权利要求2所述的多元KPI时间序列的检测方法，其特征在于，所述解码程序包括第二预置神经网络模型和第二预置全连接层，所述根据预置解码程序对所述第一辅助变量进行解码，得到所述数值对应的第二高斯分布，包括：

根据所述第一辅助变量和第二预置神经网络模型，得到所述第二预置神经网络模型的第二隐藏变量；

根据第二预置全连接层和所述第二隐藏变量，得到所述数值对应的第二高斯分布。

5.如权利要求2所述的多元KPI时间序列的检测方法，其特征在于，所述根据所述第一高斯分布和第二高斯分布训练所述预置模型的损失函数，生成对应的确定性模型，包括：

获取所述第二高斯分布中的累积分布概率；

根据所述累积分布概率和第一预置损失函数，得到所述数值的重建概率；

根据所述第一高斯分布，得到所述第一高斯分布的正则项；

根据所述正则项和第二预置损失函数，得到所述数值的正则化项；

基于所述重建概率和所述正则化项训练所述解码程序的网络参数和所述编码程序的网络参数，生成对应的确定性模型。

6.如权利要求5所述的多元KPI时间序列的检测方法，其特征在于，所述得到所述数值的重建概率之后，还包括：

记录所述待训练的子多元KPI时间序列中各个数值的重建概率，并将各个所述数值的重建概率进行排序；

确定排序后所述重建概率中预置序号对应的目标重建概率，并将所述目标重建概率作为预置阈值。

7.如权利要求1所述的多元KPI时间序列的检测方法，其特征在于，所述根据预置阈值和所述待检测数值的重建概率值，确定所述待检测数值的时刻是否为异常点，包括：

将所述待检测数值的重建概率值与预置阈值进行比对，确定所述待检测数值的时刻是否为异常点；

若所述待检测数值的重建概率值小于所述预置阈值，则确定所述待检测数值的时刻为异常点。