多元时序数据异常事件诊断方法、装置、设备及存储介质制造方法及图纸

本申请提供多元时序数据异常事件诊断方法，包括：对多元时序中的原始数据进行预处理，得到各时刻的多元时间序列；根据各时刻的多元时间序列，将得到的时间编码、数值编码及位置编码融合，得到特征编码序列；将特征编码序列输入Informer预测模型，得到各时刻的预测值；根据预测值与对应时刻的真实值比较后得到的预测误差，得到异常分数；将异常分数与预设阈值进行比较，得到异常检测结果；根据异常检测结果确定的异常事件计算根因分数向量，基于所述根因分数向量诊断得到引起异常事件的异常指标。本申请通过时间编码嵌入提取时序数据的时间特征，将检测到的连续异常时间点确定为异常事件，提高对多元时序的检测效率和诊断准确度。度。度。

【技术实现步骤摘要】
多元时序数据异常事件诊断方法、装置、设备及存储介质


[0001]本申请涉及异常诊断
，尤其涉及一种多元时序数据异常事件诊断方法、装置、设备及存储介质。

技术介绍

[0002]GTA(Graph Learning with Transformer for Anomaly detection，基于Transformer和图学习的多元时序异常检测框架)设计了一个有向图结构学习策略，将单个时序视为图中节点，节点间待发现的隐藏关系视为图中的边，从而学习描述时序间关系的图结构。将学习到的图结构输入到图卷积层中进行信息传播建模，然后将这些图卷积层与不同级别的扩展卷积层集成在一起，构建一个专门针对时间数据的层次上下文编码块。将多元时序数据的上下文编码和位置编码作为Transformer的输入，Transformer的输出为预测的单步时间序列值，根据时间序列预测值和真实值之差的第二范数来检测和诊断产生异常的时序。
[0003]GTA在Informer(Beyond Efficient Transformer for Long Sequence Ti本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.多元时序数据异常事件诊断方法，其特征在于，包括以下步骤：S1、对多元时序中的原始数据进行预处理，得到各时刻的多元时间序列；S2、根据所述各时刻的多元时间序列，得到各时刻的时间编码、数值编码以及位置编码，并将所述时间编码、数值编码以及位置编码进行融合，得到特征编码序列；S3、将所述特征编码序列输入Informer预测模型，通过所述Informer预测模型得到各时刻的预测值；S4、将所述预测值与对应时刻的真实值进行比较，得到各时刻的预测误差，根据所述预测误差计算得到各时刻数据的异常分数；S5、将所述异常分数与预设阈值进行比较，根据比较结果得到各时刻数据的异常检测结果；S6、根据所述异常检测结果确定的异常事件计算根因分数向量，基于所述根因分数向量诊断得到引起异常事件的异常指标。2.根据权利要求1所述的异常事件诊断方法，其特征在于，所述S2，包括：S21、提取所述各时刻的多元时间序列中的时间特征和空间特征，得到时间编码值和位置编码值；S22、通过卷积各时刻的多元时间序列，得到各时刻对应的数值编码；S23、将所述时间编码值和所述位置编码值进行扩展，得到与所述数值编码相同的维度的时间编码和位置编码；S24、将所述数值编码、所述时间编码和所述位置编码相加，得到特征编码序列。3.根据权利要求2所述的异常事件诊断方法，其特征在于，所述时间编码值的具体计算公式为：公式为：公式为：其中，h
t
为小时编码值，m
t
为分钟编码值，s
t
为秒钟编码值，TimeStamp
t
表为t时刻的时间戳数据，戳数据，分别为时间戳数据中的小时信息、分钟信息、秒钟信息；所述数值编码的公式为：V
t
＝Conv(X
t
)其中，V
t
为数值编码，X
t
为卷积t时刻的多元时间序列；所述位置编码值的计算公式为：其中，p
t
为位置编码，pos
t
为数值编码V
t
在整个时间序列窗口中的绝对位置。
4.根据权利要求1所述的异常事件诊断方法，其特征在于，所述S6，包括：S61、基于所述异常检测结果确定异常事件；S62、根据所述异常事件，得到对应的异常分数矩阵；S63、在时间维度上，对所述异常分数矩阵进行求和处理，得到根因分数向量，所述根因分数向量中包括各指标对应的根因分数；S64、根据所述根因分数的大小进行排序，得到排序结果；S65、基于所述排序结...

【专利技术属性】
技术研发人员：何施茗，郭蒙，汤强，李妍，李文军，王进，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：