买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：杭州电子科技大学

摘要：本发明公开了一种基于特征分布相似度的时间序列异常检测方法，属于时间序列技术领域，包括数据预处理与分割；将处理后的时间序列作为输入数据通过上下文嵌入和位置嵌入后并行输入至双向GRU重构模块和多尺度卷积稀疏注意力模块进行特征提取，分别得到局部特征和全局特征；通过归一化指数函数和对称的相位KL散度，将得到的局部特征和全局特征分别转化为概率分布和对应概率分布的相似度；利用对比损失函数，缩小局部特征的散度而放大全局特征的散度；完成LGS‑UAD模型在整个数据集上的异常检测任务并获得最终检测结果。本发明采用上述一种基于特征分布相似度的时间序列异常检测方法，能够应对现实环境中及时从大量数据流中检测异常的需求。

主权项：1.一种基于特征分布相似度的时间序列异常检测方法，其特征在于，包括以下步骤：S1、数据预处理与分割，获得训练数据集，测试数据集和验证数据集；S2、基于步骤S1得到的训练数据集，每次随机选取64组训练数据，用于训练；S3、将步骤S1处理后的时间序列作为输入数据通过上下文嵌入和位置嵌入后并行输入至双向GRU重构模块和多尺度卷积稀疏注意力模块进行特征提取，分别得到局部特征和全局特征；S4、通过归一化指数函数，将步骤S3中得到的局部特征和全局特征分别转化为概率分布，使用对称的相位KL散度评估局部特征和全局特征对应概率分布的相似度，并在检测窗口内归一化，得到每个时间点的相似度评估值；S5、利用对比损失函数，缩小局部特征的散度而放大全局特征的散度，学习正常分布的时域特性并突出异常点，完成LGS-UAD模型的一次训练；S6、基于步骤S1中得到的验证数据集，将所有组数据输入到经过训练的LGS-UAD模型中，对LGS-UAD模型输出的对称相位KL散度进行评估，判断LGS-UAD模型是否在继续优化；S7、重复步骤S2-S6，直到得到的评估指标不再提升，此时网络参数更新完毕，LGS-UAD模型结束训练；S8、基于步骤S1得到的测试数据集，将所有组数据输入到经过训练的LGS-UAD模型中，训练好的LGS-UAD模型首先在训练数据集上计算异常得分阈值，根据异常得分阈值评估测试数据集得到LGS-UAD模型在该组数据上的异常检测结果；S9、完成LGS-UAD模型在整个数据集上的异常检测任务并获得最终检测结果。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 一种基于特征分布相似度的时间序列异常检测方法