数据异常检测方法、装置、设备、介质及程序产品制造方法及图纸

本申请提供了一种数据异常检测方法、装置、设备、介质及程序产品，通过获取待检测时段对应的时间序列数据，并对时间序列数据进行周期特性解析，确定拆解周期；根据拆解周期，从时间序列数据中拆解出多个样本序列；根据预设划分方式，将每个样本序列划分成多个子序列，并将相同时段的各个子序列组合成一个投票时间序列，以确定多个不同的时段对应的多个投票时间序列；利用异常检测模型，对各个投票时间序列进行异常检测，并根据预设投票判定规则，判断检测结果是否出现异常。解决了现有的数据异常检测方法存在对呈周期性变化的金融账务数据的异常检测的效果不稳定，且误判率高的技术问题。问题。问题。

【技术实现步骤摘要】
数据异常检测方法、装置、设备、介质及程序产品


[0001]本申请涉及金融科技(Fintech)领域，尤其涉及一种数据异常检测方法、装置、设备、介质及程序产品。

技术介绍

[0002]随着计算机技术的发展，越来越多的技术应用在金融领域，传统金融业正在逐步向金融科技(Fintech)转变。
[0003]目前，现有的数据异常检测一般是单一使用3σ方法或者Grubbs测试方法，并且检测异常值通常是采用过去某段时间序列，比如最近7天，最近一个月，最近一年等时间范围。
[0004]但是现有的数据异常检测方法对具有周期性的金融账务数据的检测效果较差，异常值范围检测过于粗糙，使得误判的概率大大提高。
[0005]即现有的数据异常检测方法存在对呈周期性变化的金融账务数据的异常检测的效果不稳定，且误判率高的技术问题。

技术实现思路

[0006]本申请提供一种数据异常检测方法、装置、设备、介质及程序产品，以解决了现有的数据异常检测方法存在对呈周期性变化的金融账务数据的异常检测的效果不稳定，且误判率高的技术问题。
[0007]第一个方面，本申请提供一种数据异常检测方法，包括：
[0008]获取待检测时段对应的时间序列数据，并对时间序列数据进行周期特性解析，确定拆解周期；
[0009]根据拆解周期，从时间序列数据中拆解出多个样本序列；
[0010]根据预设划分方式，将每个样本序列划分成多个子序列，并将相同时段的各个子序列组合成一个投票时间序列，以确定多个不同的时段对应的多个投票时间序列；
[0011]利用异常检测模型，对各个投票时间序列进行异常检测，并根据预设投票判定规则，判断检测结果是否出现异常。
[0012]在一种可能的设计中，样本序列对应的第一时段的第一时长小于拆解周期的时长。
[0013]可选的，拆解周期的时长是第一时长的整数倍。
[0014]在一种可能的设计中，每个子序列对应的第二时段的第二时长小于第一时长。
[0015]可选的，第一时长是第二时长的整数倍。
[0016]在一种可能的设计中，对时间序列数据进行周期特性解析，确定拆解周期，包括：
[0017]根据时间序列数据中各项数据对应的时间，绘制时间序列数据对应的数据曲线；
[0018]利用图像分析模型，对数据曲线进行周期特性解析，确定拆解周期。
[0019]在一种可能的设计中，利用图像分析模型，对数据曲线进行周期特性解析，确定拆解周期，包括：
[0020]利用图像分析模型解析数据曲线的周期特征，确定多个待选周期；
[0021]根据多个待选周期分别对时间序列数据进行移动平均处理，确定各个移动平均序列，移动平均序列与待选周期一一对应；
[0022]判断各个移动平均序列中的各项数据是否呈周期性变化；
[0023]若否，则将移动平均序列对应的待选周期，确定为拆解周期。
[0024]在一种可能的设计中，判断各个移动平均序列中的各项数据是否呈周期性变化，包括：
[0025]根据移动平均序列中各项数据的先后顺序，绘制移动平均序列对应的移动平均线；
[0026]利用图像分析模型，对移动平均线进行周期特性解析，并根据解析结果判断移动平均线是否呈周期性变化。
[0027]在一种可能的设计中，将移动平均序列对应的待选周期，确定为拆解周期，包括：
[0028]当存在多个移动平均序列不呈周期性变化时，将最小的待选周期确定为拆解周期。
[0029]在一种可能的设计中，利用异常检测模型，对各个投票时间序列进行异常检测，包括：
[0030]计算每个投票时间序列与每个投票时段对应的数据预测模型的拟合度；
[0031]判断拟合度是否满足预设拟合要求；
[0032]若否，则确定投票时间序列出现异常。
[0033]在一种可能的设计中，根据预设投票判定规则，判断检测结果是否出现异常，包括：
[0034]若存在出现异常的投票时间序列，则确定检测结果出现异常；或者，
[0035]若出现异常的投票时间序列的数量小于预设数量阈值，则确定检测结果没有出现异常。
[0036]第二方面，本申请提供一种数据异常检测装置，包括：
[0037]获取模块，用于待检测时段对应的时间序列数据；
[0038]处理模块，用于：
[0039]对时间序列数据进行周期特性解析，确定拆解周期；
[0040]根据拆解周期，从时间序列数据中拆解出多个样本序列；
[0041]根据预设划分方式，将每个样本序列划分成多个子序列，并将相同时段的各个子序列组合成一个投票时间序列，以确定多个不同的时段对应的多个投票时间序列；
[0042]利用异常检测模型，对各个投票时间序列进行异常检测，并根据预设投票判定规则，判断检测结果是否出现异常。
[0043]第三个方面，本申请提供一种电子设备，包括：
[0044]存储器，用于存储程序指令；
[0045]处理器，用于调用并执行所述存储器中的程序指令，执行第一方面所提供的任意一种可能的方法。
[0046]第四方面，本申请提供一种存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序用于执行第一方面所提供的任意一种可能的数据异常检测方法。
[0047]第五方面，本申请还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面所提供的任意一种可能的数据异常检测方法。
[0048]本申请提供了一种数据异常检测方法、装置、设备、介质及程序产品，通过获取待检测时段对应的时间序列数据，并对时间序列数据进行周期特性解析，确定拆解周期；根据拆解周期，从时间序列数据中拆解出多个样本序列；根据预设划分方式，将每个样本序列划分成多个子序列，并将相同时段的各个子序列组合成一个投票时间序列，以确定多个不同的时段对应的多个投票时间序列；利用异常检测模型，对各个投票时间序列进行异常检测，并根据预设投票判定规则，判断检测结果是否出现异常。解决了现有的数据异常检测方法存在对呈周期性变化的金融账务数据的异常检测的效果不稳定，且误判率高的技术问题。达到了提高金融账务的异常检测效果的稳定性，降低误判率的技术效果。
附图说明
[0049]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
[0050]图1为本申请实施例提供的一种数据异常检测方法的应用场景示意图；
[0051]图2为本申请提供的一种数据异常检测方法的流程示意图；
[0052]图3为本申请实施提供的另一种数据异常检测方法的流程示意图；
[0053]图4为本申请实施例提供的一种数据异常检测装置的结构示意图；
[0054]图5为本申请提供的一种电子设备的结构示意图。
[0055]通过上述附图，已示出本申请明确的实施例，后文中将有更详本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据异常检测方法，其特征在于，包括：获取待检测时段对应的时间序列数据，并对所述时间序列数据进行周期特性解析，确定拆解周期；根据所述拆解周期，从所述时间序列数据中拆解出多个样本序列；根据预设划分方式，将每个所述样本序列划分成多个子序列，并将相同时段的各个所述子序列组合成一个投票时间序列，以确定多个不同的所述时段对应的多个所述投票时间序列；利用异常检测模型，对各个所述投票时间序列进行异常检测，并根据预设投票判定规则，判断检测结果是否出现异常。2.根据权利要求1所述的数据异常检测方法，其特征在于，所述样本序列对应的第一时段的第一时长小于所述拆解周期的时长。3.根据权利要求2所述的数据异常检测方法，其特征在于，所述拆解周期的时长是所述第一时长的整数倍。4.根据权利要求2或3所述的数据异常检测方法，其特征在于，每个所述子序列对应的第二时段的第二时长小于所述第一时长。5.根据权利要求4所述的数据异常检测方法，其特征在于，所述第一时长是所述第二时长的整数倍。6.根据权利要求1所述的数据异常检测方法，其特征在于，所述对所述时间序列数据进行周期特性解析，确定拆解周期，包括：根据所述时间序列数据中各项数据对应的时间，绘制所述时间序列数据对应的数据曲线；利用图像分析模型，对所述数据曲线进行所述周期特性解析，确定所述拆解周期。7.根据权利要求6所述的数据异常检测方法，其特征在于，所述利用图像分析模型，对所述数据曲线进行所述周期特性解析，确定所述拆解周期，包括：利用所述图像分析模型解析所述数据曲线的周期特征，确定多个待选周期；根据多个所述待选周期分别对所述时间序列数据进行移动平均处理，确定各个移动平均序列，所述移动平均序列与所述待选周期一一对应；判断各个所述移动平均序列中的各项数据是否呈周期性变化；若否，则将所述移动平均序列对应的所述待选周期，确定为所述拆解周期。8.根据权利要求7所述的数据异常检测方法，其特征在于，所述判断各个所述移动平均序列中的各项数据是否呈周期性变化，包括：根据所述移动平均序列中各项数据的先后顺序，绘制所述移动平均序列对应的移动平均线；利用所述图像分析模型，对...

【专利技术属性】
技术研发人员：项术津，
申请(专利权)人：深圳前海微众银行股份有限公司，
类型：发明
国别省市：