【技术实现步骤摘要】
本申请涉及人工智能领域，尤其涉及一种流量数据检测方法、模型训练方法、装置及设备。
技术介绍
1、稳定是后台业务系统运行的第一要务，但随着功能不断迭代开发，后台业务系统复杂度越来越高，数据异常的几率也越来越大，因此，需要检测业务流量数据，快速精准地发现系统异常。
2、现有技术中，实时获取后台业务系统的流量数据，并监控该流量数据是否超出预设的阈值区间，若超出阈值区间则发出告警。
3、但是上述方式中，阈值区间的设定依赖于人工经验，不一定准确，导致业务流量数据的检测告警不准确，无法及时发现系统异常，进而影响后台业务系统的稳定运行。
技术实现思路
1、本申请提供一种流量数据检测方法、模型训练方法、装置及设备，用以解决业务流量数据的检测告警不准确的技术问题。
2、第一方面，本申请提供一种流量数据检测方法，所述方法包括：
3、获取实时时序数据；并确定所述实时时序数据的特征信息；其中，所述实时时序数据中包括预设时间段内每一时刻下生成的业务流量数据；所述特征信息表征实时时序数据对应的各个时刻所属时间类型的切换情况；
4、根据所述特征信息，确定所述实时时序数据对应的外生变量；其中，所述外生变量表征实时时序数据中各个时刻下的业务流量数据的变化情况；
5、基于双模型网络，根据所述外生变量，对所述实时时序数据进行处理，得到预测结果；其中，所述预测结果表征预测的当前时间段的业务流量数据和阈值区间；所述预测结果用于进行流量数据检测处理，以得
6、一个示例中，所述时间类型为休息日或工作日；根据所述特征信息，确定所述实时时序数据对应的外生变量，包括：
7、从所述实时时序数据中确定至少一个切换序列集合；其中，所述切换序列集合中包括工作日序列和休息日序列，所述工作日序列中包括时间类型发生切换时处于工作日内每一时刻下的业务流量数据，所述休息日序列中包括时间类型发生切换时处于休息日内每一时刻下的业务流量数据；
8、确定所述切换序列集合中工作日序列和休息日序列之间的差值序列，为所述切换序列集合对应的切换差值序列；
9、根据所述特征信息和各所述切换差值序列，确定所述实时时序数据对应的外生变量。
10、一个示例中，根据所述特征信息和各所述切换差值序列，确定所述实时时序数据对应的外生变量，包括：
11、若确定所述特征信息表征实时时序数据对应的各个时刻所属时间类型从休息日切换至工作日，则确定各所述切换差值序列之间对应的平均值序列为所述外生变量；
12、若确定所述特征信息表征实时时序数据对应的各个时刻所属时间类型从工作日切换至休息日，则确定各所述切换差值序列之间对应的平均值序列的负值序列为所述外生变量。
13、一个示例中，所述双模型网络中包括第一预测模型和第二预测模型，所述第一预测模型为基于对数模型进行训练处理所得到的，所述第二预测模型为基于非对数模型进行训练处理所得到的；
14、基于双模型网络，根据所述外生变量，对所述实时时序数据进行处理，得到预测结果，包括：
15、基于所述第一预测模型，根据所述外生变量，对所述实时时序数据进行处理，得到所述第一预测模型对应的预测上下界；同时，基于所述第二预测模型，根据所述外生变量，对所述实时时序数据进行处理，得到所述第二预测模型对应的预测上下界；其中，所述预测上下界表征预测的当前时间段内每一时刻下的业务流量数据和阈值区间；
16、根据所述第一预测模型对应的预测上下界和所述第二预测模型对应的预测上下界，确定所述预测结果。
17、一个示例中，基于所述第一预测模型，根据所述外生变量，对所述实时时序数据进行处理，得到所述第一预测模型对应的预测上下界；同时，基于所述第二预测模型，根据所述外生变量，对所述实时时序数据进行处理，得到所述第二预测模型对应的预测上下界，包括：
18、对所述实时时序数据进行k步差分计算处理，得到所述实时时序数据对应的差值序列；其中，k为大于或等于1的整数；
19、基于所述第一预测模型，根据所述外生变量，对所述差值序列进行处理，得到所述第一预测模型的预测数据；同时，基于所述第二预测模型，根据所述外生变量，对所述差值序列进行处理，得到所述第二预测模型的预测数据；其中，所述预测数据表征预测的当前时间段内每一时刻下的业务流量数据和阈值区间；
20、对所述第一预测模型的预测数据进行反k步差分计算处理，得到所述第一预测模型对应的预测上下界；同时，对所述第二预测模型的预测数据进行反k步差分计算处理，得到所述第二预测模型对应的预测上下界。
21、一个示例中，基于所述第一预测模型，根据所述外生变量，对所述差值序列进行处理，得到所述第一预测模型的预测数据；同时，基于所述第二预测模型，根据所述外生变量，对所述差值序列进行处理，得到所述第二预测模型的预测数据，包括：
22、对所述差值序列进行n阶差分处理，得到所述差值序列对应的平稳序列；其中，n为大于或等于1的整数；
23、基于所述第一预测模型，根据所述外生变量，对所述平稳序列进行处理，得到所述第一预测模型的输出数据；同时，基于所述第二预测模型，根据所述外生变量，对所述平稳序列进行处理，得到所述第二预测模型的输出数据；其中，所述输出数据表征初始预测的当前时间段内每一时刻下的业务流量数据和阈值区间；
24、对所述第一预测模型的输出数据进行反n阶差分处理，得到所述第一预测模型的预测数据；同时，对所述第二预测模型的输出数据进行反n阶差分处理，得到所述第二预测模型的预测数据。
25、一个示例中，所述第一预测模型具有正值化参数；基于所述第一预测模型，根据所述外生变量，对所述平稳序列进行处理，得到所述第一预测模型的输出数据，包括：
26、基于所述第一预测模型，根据所述正值化参数和所述外生变量，对所述平稳序列进行处理，得到所述第一预测模型的输出结果；其中，所述输出结果表征初始预测的当前时间段内每一时刻下的业务流量数据和阈值区间；
27、基于所述第一预测模型，对所述第一预测模型的输出结果进行指数计算处理，得到所述第一预测模型的输出数据。
28、一个示例中，所述方法还包括：
29、若确定所述检测结果表征流量数据出现异常，则向应用设备发送告警信息；其中，所述告警信息用于提示持有应用设备的用户当前流量数据出现异常。
30、第二方面，本申请提供一种应用于流量数据检测的模型训练方法，所述方法包括：
31、获取历史时序数据；并确定所述历史时序数据的特征信息；其中，所述历史时序数据中包括历史时间段内每一时刻下生成的业务流量数据；所述特征信息表征历史时序数据对应的各个时刻所属时间类型的切换情况；
32、根据所述特征信息，确定所述历史时序数据对应的外生变量；其中，所述外生变量表征历史本文档来自技高网...
【技术保护点】
1.一种流量数据检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述时间类型为休息日或工作日；根据所述特征信息，确定所述实时时序数据对应的外生变量，包括：
3.根据权利要求2所述的方法，其特征在于，根据所述特征信息和各所述切换差值序列，确定所述实时时序数据对应的外生变量，包括：
4.根据权利要求1所述的方法，其特征在于，所述双模型网络中包括第一预测模型和第二预测模型，所述第一预测模型为基于对数模型进行训练处理所得到的，所述第二预测模型为基于非对数模型进行训练处理所得到的；
5.根据权利要求4所述的方法，其特征在于，基于所述第一预测模型，根据所述外生变量，对所述实时时序数据进行处理，得到所述第一预测模型对应的预测上下界；同时，基于所述第二预测模型，根据所述外生变量，对所述实时时序数据进行处理，得到所述第二预测模型对应的预测上下界，包括：
6.根据权利要求5所述的方法，其特征在于，基于所述第一预测模型，根据所述外生变量，对所述差值序列进行处理，得到所述第一预测模型的预测数据；同时，基于所述第二
7.根据权利要求6所述的方法，其特征在于，所述第一预测模型具有正值化参数；基于所述第一预测模型，根据所述外生变量，对所述平稳序列进行处理，得到所述第一预测模型的输出数据，包括：
8.根据权利要求1-7中任一项所述的方法，其特征在于，所述方法还包括：
9.一种应用于流量数据检测的模型训练方法，其特征在于，所述方法包括：
10.根据权利要求9所述的方法，其特征在于，所述时间类型为休息日或工作日；根据所述特征信息，确定所述历史时序数据对应的外生变量，包括：
11.根据权利要求10所述的方法，其特征在于，根据所述特征信息和各所述切换差值序列，确定所述历史时序数据对应的外生变量，包括：
12.根据权利要求9-11中任一项所述的方法，其特征在于，所述初始网络中包括对数模型和非对数模型；所述历史时序数据具有实际信息，所述实际信息表征实际的预设时间段内每一时刻下的业务流量数据和阈值区间；
13.根据权利要求12所述的方法，其特征在于，基于所述对数模型，根据所述外生变量，对所述历史时序数据进行处理，得到所述对数模型对应的预测上下界；同时，基于所述非对数模型，根据所述外生变量，对所述历史时序数据进行处理，得到所述非对数模型对应的预测上下界，包括：
14.根据权利要求13所述的方法，其特征在于，基于所述对数模型，根据所述外生变量，对所述差值序列进行处理，得到所述对数模型的预测数据；同时，基于所述非对数模型，根据所述外生变量，对所述差值序列进行处理，得到所述非对数模型的预测数据，包括：
15.根据权利要求14所述的方法，其特征在于，基于所述对数模型，根据所述外生变量，对所述平稳序列进行处理，得到所述对数模型的输出数据，包括：
16.一种流量数据检测装置，其特征在于，所述装置包括：
17.一种应用于流量数据检测的模型训练装置，其特征在于，所述装置包括：
18.一种计算设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；
19.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至15中任一项所述的方法。
20.一种计算机程序产品，其特征在于，包括计算机程序，该计算机程序被处理器执行时实现权利要求1至15中任一项所述的方法。
...【技术特征摘要】
1.一种流量数据检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述时间类型为休息日或工作日；根据所述特征信息，确定所述实时时序数据对应的外生变量，包括：
3.根据权利要求2所述的方法，其特征在于，根据所述特征信息和各所述切换差值序列，确定所述实时时序数据对应的外生变量，包括：
4.根据权利要求1所述的方法，其特征在于，所述双模型网络中包括第一预测模型和第二预测模型，所述第一预测模型为基于对数模型进行训练处理所得到的，所述第二预测模型为基于非对数模型进行训练处理所得到的；
5.根据权利要求4所述的方法，其特征在于，基于所述第一预测模型，根据所述外生变量，对所述实时时序数据进行处理，得到所述第一预测模型对应的预测上下界；同时，基于所述第二预测模型，根据所述外生变量，对所述实时时序数据进行处理，得到所述第二预测模型对应的预测上下界，包括：
6.根据权利要求5所述的方法，其特征在于，基于所述第一预测模型，根据所述外生变量，对所述差值序列进行处理，得到所述第一预测模型的预测数据；同时，基于所述第二预测模型，根据所述外生变量，对所述差值序列进行处理，得到所述第二预测模型的预测数据，包括：
7.根据权利要求6所述的方法，其特征在于，所述第一预测模型具有正值化参数；基于所述第一预测模型，根据所述外生变量，对所述平稳序列进行处理，得到所述第一预测模型的输出数据，包括：
8.根据权利要求1-7中任一项所述的方法，其特征在于，所述方法还包括：
9.一种应用于流量数据检测的模型训练方法，其特征在于，所述方法包括：
10.根据权利要求9所述的方法，其特征在于，所述时间类型为休息日或工作日；根据所述特征信息，确定所述历史时序数据对应的外生变量，包括：<...
【专利技术属性】
技术研发人员：李紫珊，潘云程，张强，李进龙，陈仕隆，朱乙婷，张浪朗，刘煜澄，
申请(专利权)人：中国银联股份有限公司，
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。