【技术实现步骤摘要】
本专利技术属于时间序列异常检测领域，具体涉及一种基于boosting算法和saxformer框架的多维时间序列异常检测方法。
技术介绍
1、随着传感器等硬件技术的发展，越来越多的时间序列被收集用于机器运行状态的研究指标，其中时间序列的异常状态(指序列中模式存在不一致的点，如突然的上升或下降、趋势改变、层级变换、超出历史最大值/最小值等)的分类与检测是及时发现问题、规避风险的重要任务。传统的时间序列异常检测方法以统计学理论以及相似性度量为基础，只适用于一些简单背景下的异常检测，随着系统的不断复杂化，其局限性日渐凸显。
2、近年来，transformer作为一种深度学习的seq2seq模型，得益于其中自注意力机制以及位置编码在捕捉长期依赖关系上的优异性能，被认为适用于时间序列领域问题的解决。现有的基于transformer的时间序列异常检测技术通常采用基于单个序列的串行训练与预测方式，这种模式存在效率低、耗时长等问题，并且对长序列的特征提取采用稀疏点积取代逐个点积的做法更是会遗失部分信息，从而导致现有模型的鲁棒性和泛化性不足。
3、saxformer框架主要包含符号聚合近似法(sax)模块、transformer模块以及一维卷积-反卷积(conv1d-deconv1d)模块，其中，基于boosting算法的改进saxformer框架灵活适用于各种数据集，能够有效提高检测效率并实现异常的根因定位。
4、因此本专利技术亟待提供一种基于boosting算法和saxformer框架的多维时间序列异常检测方
技术实现思路
1、针对现有技术中的缺陷，本专利技术旨在提供一种基于boosting算法和saxformer框架的多维时间序列异常检测方法，通过采用saxformer架构提取时序特征，并基于boosting算法进行分类效果的提升，以提高检测效果。
2、为了实现上述目的，本专利技术提供一种基于boosting算法和saxformer框架的多维时间序列异常检测方法，包括如下步骤：
3、步骤s1：获取多维时间序列训练集，所述多维时间序列训练集包括m个传感器在n个时刻采集到的感应数值，其中，同一个时刻下m个传感器采集的感应数值为一个训练样本；
4、步骤s2：基于所述多维时间序列训练集，训练得到时间序列异常检测模型，所述时间序列异常检测模型包括transformer基础模型、boosting模型及conv1d-deconv1d模型；
5、步骤s3：将待测多维时间序列输入至训练得到的所述时间序列异常检测模型进行处理，得到与所述待测多维时间序列对应的各时刻的数值预测结果；
6、步骤s4：基于所述待测多维时间序列与对应的各时刻的数值预测结果，计算所述待测多维时间序列对应的各时刻的偏离量；
7、步骤s5：基于所述待测多维时间序列对应的各时刻的偏离量，判断所述待测多维时间序列是否异常。
8、优选地，所述步骤s2中训练得到时间序列异常检测模型，包括：
9、步骤s21：对所述多维时间序列训练集进行sax字符化处理，以生成类文本序列，并将所述类文本序列作为第一训练数据集；
10、步骤s22：基于所述第一训练数据集训练transformer基础模型，并利用训练后的所述transformer基础模型获取各所述训练样本对应的词向量，并将各所述训练样本对应的词向量作为第二训练数据集；
11、步骤s23：基于所述第二训练数据集对预设的boosting模型进行训练，得到m个强分类器；
12、步骤s24：对所述第一训练数据集进行解模糊处理得到对应的第三训练数据集，并利用所述第三训练数据集训练conv1d-deconv1d模型，所述conv1d-deconv1d模型用于对所述m个强分类器的分类预测结果进行局部特征还原，以将各所述分类预测结果还原成对应的数值预测结果。
13、优选地，在步骤s21中对所述多维时间序列训练集进行sax字符化处理，包括：
14、提供字母表，所述字母表表示为：{α1,α2,…,αk}，其中，αk表示字母表中的其中一个字符，k＝1,2,...,k；
15、对所述多维时间序列训练集进行sax字符化处理，以得到对应的所述第一训练数据集{(t0,s0),(t1,s1)...(tn-1,sn-1)}，其中，tn表示第n个时刻，sn表示第n个时刻的字符串，sn是由m个单个字符组成的字符串，所述单个字符为所述字母表中的字符。
16、优选地，在所述步骤s22中基于所述第一训练数据集训练得到transformer基础模型，包括：
17、将所述第一训练数据集输入至transformer基础模型进行处理，得到各训练样本的趋势特征属于给定词典中不同词向量的预测概率；
18、基于各训练样本的趋势特征属于给定词典中不同词向量的预测概率、以及各训练样本对应的词向量标签，构建损失函数；
19、基于所述损失函数对所述transformer基础模型进行迭代训练。
20、优选地，在步骤s23中基于所述第二训练数据集对预设的boosting模型进行训练，包括：
21、基于所述第二训练数据集对预设的boosting模型进行迭代训练，每次迭代得到相应的弱分类器，并基于所述弱分类器生成m个所述强分类器。
22、优选地，在步骤s24中对所述第一训练数据集进行解模糊处理得到对应的第三训练数据集，包括：
23、将所述第一训练数据集映射到预先设置的解模糊策略表，使所述第一训练数据集中每个字符生成一个对应的解模糊数值，得到所述第三训练数据集
24、其中，tn表示第n个时刻，表示第n个时刻的解模糊数值元组，由m个解模糊数值组成。
25、优选地，在所述步骤s24中利用所述第三训练数据集训练conv1d-deconv1d模型，包括：
26、将所述第三训练数据集输入至所述conv1d-deconv1d模型进行训练，经过v个卷积核沿高度卷积生成由v个元素组成的v元数组表再经过反卷积进行还原。
27、优选地，步骤s5中基于所述待测多维时间序列对应的各时刻的偏离量，判断所述待测多维时间序列是否异常，包括：
28、将所述待测多维时间序列中第m个传感器对应的n时刻的偏离量τn|m(z)、与均值μ的距离与阈值γ与标准差σ的乘积进行比较，若|τn|m(z)-μ|>γσ，则判定相应时刻异常，否则，判定相应时刻无异常，其中第m个传感器的各时刻偏离量τn|m(z)组成的集合为t，μ和σ分别表示集合τ的平均值和标准差，γ表示预先获取的阈值。
29、与现有技术相比，本专利技术具有如下的有益效果：
30、本专利技术提供的一种基于boosting算法和saxformer框架的多维时间序列异常检测方法，采用字符化表达减少模型计算量并提高模型的健壮性，通过改进的tran本文档来自技高网...
【技术保护点】
1.一种基于Boosting算法和Saxformer框架的多维时间序列异常检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于Boosting算法和Saxformer框架的多维时间序列异常检测方法，其特征在于，所述步骤S2中训练得到时间序列异常检测模型，包括：
3.根据权利要求2所述的基于Boosting算法和Saxformer框架的多维时间序列异常检测方法，其特征在于，在步骤S21中对所述多维时间序列训练集进行SAX字符化处理，包括：
4.根据权利要求2所述的基于Boosting算法和Saxformer框架的多维时间序列异常检测方法，其特征在于，在所述步骤S22中基于所述第一训练数据集训练得到Transformer基础模型，包括：
5.根据权利要求2所述的基于Boosting算法和Saxformer框架的多维时间序列异常检测方法，其特征在于，在步骤S23中基于所述第二训练数据集对预设的Boosting模型进行训练，包括：
6.根据权利要求2所述的基于Boosting算法和Saxformer框架的多维时间序
7.根据权利要求2所述的基于Boosting算法和Saxformer框架的多维时间序列异常检测方法，其特征在于，在所述步骤S24中利用所述第三训练数据集训练Conv1d-Deconv1d模型，包括：
8.根据权利要求2所述的基于Boosting算法和Saxformer框架的多维时间序列异常检测方法，其特征在于，步骤S5中基于所述待测多维时间序列对应的各时刻的偏离量，判断所述待测多维时间序列是否异常，包括：
...【技术特征摘要】
1.一种基于boosting算法和saxformer框架的多维时间序列异常检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于boosting算法和saxformer框架的多维时间序列异常检测方法，其特征在于，所述步骤s2中训练得到时间序列异常检测模型，包括：
3.根据权利要求2所述的基于boosting算法和saxformer框架的多维时间序列异常检测方法，其特征在于，在步骤s21中对所述多维时间序列训练集进行sax字符化处理，包括：
4.根据权利要求2所述的基于boosting算法和saxformer框架的多维时间序列异常检测方法，其特征在于，在所述步骤s22中基于所述第一训练数据集训练得到transformer基础模型，包括：
5.根据权利要求2所述的基于boosting算法和saxform...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。