申请/专利权人：复旦大学

申请日：2023-12-18

公开（公告）日：2024-04-12

公开（公告）号：CN117874673A

主分类号：G06F18/2433

分类号：G06F18/2433;G06N3/0455;G06N3/088;G06F123/02

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本申请公开了一种异常数据检测方法，包括：获取多维时间序列数据，并对其进行预处理；基于自注意力机制和多头注意力机制分析多维时间序列数据的时序依赖性和维间依赖性；连接的多维时间序列、维度间依赖时间序列和时序依赖多维时间序列，形成矩阵；将其作为记忆型自编码器的输入，使用编码器对矩阵进行编码，获取隐变量，并优化隐变量；基于优化后的隐变量，使用预测模型计算损失函数，基于优化后的隐变量，使用重建模型计算损失函数；然后计算总体损失并基于总体损失判定异常数据。由此，隐变量可以最大程度地接近正常数据，便于保证正常数据通过模型计算结果误差小，异常数据通过模型计算的结果误差大，从而有助于异常检测。

主权项：1.一种异常数据检测方法，其特征在于，应用于客户端，所述方法包括：获取多维时间序列数据，并对所述多维时间序列数据进行预处理，以获取多维时间序列Wx；基于自注意力机制和多头注意力机制分析所述多维时间序列数据的时序依赖性和维间依赖性，以获取维度间依赖时间序列Wmetric和时序依赖多维时间序列Wtime，所述时序依赖性指同一维度的时间序列数据之间的依赖性，所述维间依赖性是指同一时间点上不同维度的数据之间的依赖性；连接所述的多维时间序列Wx、维度间依赖时间序列Wmetric和时序依赖多维时间序列Wtime，形成矩阵；将所述矩阵作为记忆型自编码器的输入，使用编码器Encoder对所述矩阵进行编码，获取隐变量，并优化所述隐变量；基于优化后的隐变量，使用预测模型计算损失函数Lossforecast，基于优化后的隐变量，使用重建模型计算损失函数Lossreconstrction；计算总体损失Losstotal并基于所述总体损失判定异常数据，其中，Losstotal＝Lossforecast+Lossreconstruction。

全文数据：

权利要求：

百度查询： 复旦大学 一种异常数据检测、解释方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD