【技术实现步骤摘要】
本公开涉及计算机，尤其涉及数据处理、深度学习等人工智能，具体涉及一种时序数据异常检测模型的生成方法、装置及电子设备。
技术介绍
1、时序数据是指按照时间顺序排列的数据集合，其中每个数据点都与特定的时间点或时间段相关联。时序数据中的异常点是指时序数据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。时序数据的异常检测旨在快速准确的找到这些异常点。
技术实现思路
1、本公开提供了一种时序数据异常检测模型的生成方法、装置及电子设备。
2、根据本公开的第一方面，提供了一种时序数据异常检测模型的生成方法，包括：
3、获取多个候选模型及验证数据集，其中，每个所述候选模型用于时序数据重建，所述验证数据集中包括样本时序数据及标签，所述标签用于描述所述样本时序数据中每个数据是否异常；
4、确定每个所述候选模型重构的所述样本时序数据对应的第一时序数据、及每个所述候选模型对应的第一召回率；
5、根据所述第一时序数据、所述第一召回率及所述验证数据集，从多个所述候选模型中选择目标模型；
6、根据所述目标模型，生成时序数据异常检测模型。
7、根据本公开的第二方面，提供了一种时序数据异常检测方法，包括：
8、获取待检测时序数据；
9、将所述待检测时序数据输入时序数据异常检测模型，以获取所述待检测时序数据对应的目标重建时序数据，其中，所述时序数据异常检测模型为基于第一方面所述的时序
10、根据所述待检测时序数据与所述目标重建时序数据之间的差异，确定所述待检测时序数据中的异常数据。
11、根据本公开的第三方面，提供了一种时序数据异常检测模型的生成装置，包括：
12、获取模块，用于获取多个候选模型及验证数据集，其中，每个所述候选模型用于时序数据重建，所述验证数据集中包括样本时序数据及标签，所述标签用于描述所述样本时序数据中每个数据是否异常；
13、确定模块，用于确定每个所述候选模型重构的所述样本时序数据对应的第一时序数据、及每个所述候选模型对应的第一召回率；
14、选择模块，用于根据所述第一时序数据、所述第一召回率及所述验证数据集，从多个所述候选模型中选择目标模型；
15、生成模块，用于根据所述目标模型，生成时序数据异常检测模型。
16、根据本公开的第四方面，提供了一种时序数据异常检测装置，包括：
17、第一获取模块，用于获取待检测时序数据；
18、第二获取模块，用于将所述待检测时序数据输入时序数据异常检测模型，以获取所述待检测时序数据对应的目标重建时序数据，其中，所述时序数据异常检测模型为基于所述权利要求14-23任一所述的装置生成的；
19、确定模块，用于根据所述待检测时序数据与所述目标重建时序数据之间的差异，确定所述待检测时序数据中的异常数据。
20、根据本公开的第五方面，提供了一种电子设备，包括：
21、至少一个处理器；以及
22、与所述至少一个处理器通信连接的存储器；其中，
23、所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如第一方面所述的时序数据异常检测模型的生成方法，或者能够执行如第二方面所述的时序数据异常检测方法。
24、根据本公开第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如第一方面所述的时序数据异常检测模型的生成方法，或者能够执行如第二方面所述的时序数据异常检测方法。
25、根据本公开的第七方面，提供了一种计算机程序产品，包括计算机指令，所述计算机指令在被处理器执行时实现如第一方面所述的时序数据异常检测模型的生成方法的步骤，或者能够执行如第二方面所述的时序数据异常检测方法的步骤。
26、本公开提供的时序数据异常检测模型的生成方法、装置及电子设备，存在如下有益效果：
27、本公开实施例中，先获取多个候选模型及验证数据集，之后确定每个候选模型重构的样本时序数据对应的第一时序数据、及每个候选模型对应的第一召回率，进而根据第一时序数据、第一召回率及验证数据集，从多个候选模型中选择目标模型，最后根据目标模型，生成时序数据异常检测模型。由此，可以根据第一时序数据、第一召回率及验证数据集，从多个候选模型中选择目标模型，组成召回率较高的时序数据异常检测模型，从而使得时序数据异常检测模型可以融合目标模型的预测结果，提高时序数据异常检测模型预测异常数据的准确性及可靠性。
28、应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
本文档来自技高网...【技术保护点】
1.一种时序数据异常检测模型的生成方法，包括：
2.根据权利要求1所述的方法，其中，所述根据所述第一时序数据、所述第一召回率及所述验证数据集，从多个所述候选模型中选择目标模型，包括：
3.根据权利要求2所述的方法，其中，所述基于所述第一召回率，将每个所述集成模型中的候选模型重建的第一时序数据进行融合，以获取每个所述集成模型对应的第二时序数据，包括：
4.根据权利要求2所述的方法，其中，在所述根据所述第二时序数据及所述验证数据集，确定每个所述集成模型对应的第二召回率之后，还包括：
5.根据权利要求4所述的方法，其中，所述对所述集成模型进行更新，包括：
6.根据权利要求4所述的方法，其中，所述对所述集成模型进行更新，包括以下至少一项：
7.根据权利要求4所述的方法，其中，所述迭代停止条件为以下任一项：
8.根据权利要求1-7任一所述的方法，其中，所述根据所述目标模型，生成时序数据异常检测模型，包括：
9.根据权利要求1-7任一所述的方法，其中，所述确定每个所述候选模型重构的所述样本时序数据
10.根据权利要求1-7任一所述的方法，其中，所述获取多个候选模型，包括：
11.一种时序数据异常检测方法，包括：
12.根据权利要求11所述的方法，其中，所述将所述待检测时序数据输入时序数据异常检测模型，以获取所述待检测时序数据对应的目标重建时序数据，包括：
13.根据权利要求12所述的方法，其中，所述将多个所述初始重建时序数据进行融合，以获取所述目标重建时序数据，包括：
14.一种时序数据异常检测模型的生成装置，包括：
15.根据权利要求14所述的装置，其中，所述选择模块，用于：
16.根据权利要求15所述的装置，其中，所述选择模块，用于：
17.根据权利要求16所述的装置，其中，还包括更新模块，用于：
18.根据权利要求17所述的装置，其中，所述更新模块，用于：
19.根据权利要求17所述的装置，其中，所述更新模块，用于：
20.根据权利要求17所述的装置，其中，所述迭代停止条件为以下任一项：
21.根据权利要求14-20任一所述的装置，其中，所述生成模块，用于：
22.根据权利要求14-20任一所述的装置，其中，所述确定模块，用于：
23.根据权利要求14-20任一所述的装置，其中，所述获取模块，用于：
24.一种时序数据异常检测装置，包括：
25.根据权利要求24所述的装置，其中，所述第二获取模块，用于：
26.根据权利要求25所述的装置，其中，第二获取模块，用于：
27.一种电子设备，包括：
28.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-10中任一项所述的方法，或者能够执行权利要求11-13中任一项所述的方法。
29.一种计算机程序产品，包括计算机指令，所述计算机指令被处理器执行时实现权利要求1-10中任一项所述方法的步骤，或者能够执行权利要求11-13中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种时序数据异常检测模型的生成方法，包括：
2.根据权利要求1所述的方法，其中，所述根据所述第一时序数据、所述第一召回率及所述验证数据集，从多个所述候选模型中选择目标模型，包括：
3.根据权利要求2所述的方法，其中，所述基于所述第一召回率，将每个所述集成模型中的候选模型重建的第一时序数据进行融合，以获取每个所述集成模型对应的第二时序数据，包括：
4.根据权利要求2所述的方法，其中，在所述根据所述第二时序数据及所述验证数据集，确定每个所述集成模型对应的第二召回率之后，还包括：
5.根据权利要求4所述的方法，其中，所述对所述集成模型进行更新，包括：
6.根据权利要求4所述的方法，其中，所述对所述集成模型进行更新，包括以下至少一项：
7.根据权利要求4所述的方法，其中，所述迭代停止条件为以下任一项：
8.根据权利要求1-7任一所述的方法，其中，所述根据所述目标模型，生成时序数据异常检测模型，包括：
9.根据权利要求1-7任一所述的方法，其中，所述确定每个所述候选模型重构的所述样本时序数据对应的第一时序数据、及每个所述候选模型对应的第一召回率，包括：
10.根据权利要求1-7任一所述的方法，其中，所述获取多个候选模型，包括：
11.一种时序数据异常检测方法，包括：
12.根据权利要求11所述的方法，其中，所述将所述待检测时序数据输入时序数据异常检测模型，以获取所述待检测时序数据对应的目标重建时序数据，包括：
13.根据权利要求12所述的方法，其中，所述将多个所述初始重建时序数据...
【专利技术属性】
技术研发人员：孙婷，杜宇宁，刘毅，赵乔，胡晓光，于佃海，马艳军，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：
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。